05 Espacios Vectoriales y TL

Espacios Vectoriales y Transformaciones Lineales Transformaciones
Definiciones
Lineales
y conceptos básicos Subespacios Combinac
Contenido:
1 Espacios Vectoriales y Transformaciones Lineales

Definiciones y conceptos básicos
Subespacios
Combinación Lineal
Espacio generado
Independencia lineal
Base
Dimensión
Rango, Nulidad e Imagen de una Matriz
AAL Espacios Vectoriales y T.L. 1/140

Definiciones
Lineales
En esta unidad se generalizará el concepto de vector enunciando

un conjunto de axiomas que, si un conjunto de objetos hacen que
estos axiomas se cumplan, llamaremos a los elementos de este
conjunto “vectores”.
Estos axiomas se eligirán generalizando las propiedades más

importantes de los vectores en Rn , en consecuencia los vectores
en Rn harán que se cumplan de manera automática esos axiomas

Definiciones
Lineales
Contenido:

Subespacios
Espacio generado
Base
Dimensión

Definiciones
Lineales
Definición
Sea V un conjunto no vacı́o sobre el que están definidas dos op-
eraciones (la suma vectorial y la multiplicación escalar). Si los
siguientes axiomas se cumplen para todo u, v y w en V y todo
escalara c y d, entonces V se denomina espacio vectorial y sus
elementos vectores:
Axiomas de cerradura
¬ u + v está en V Cerradura bajo la suma
cu está en V . Cerradura bajo la multiplicación
escalar
a
En este curso usaremos únicamente números reales como escalares, es
decir, estudiaremos “Espacios vectoriales reales”.

Definiciones
Lineales
Definición (Continuación...)
Axiomas de adición
® u+v =v+u Propiedad conmutativa
¯ u + (v + w) = (u + v) + w Propiedad asociativa
° Existe un elemento en V , llamada el vector cero, denotado 0,
tal que u + 0 = u. Idéntico aditivo
± Para todo u en V , existe un elemento en V llamado el negativo
de u, denotado −u, tal que u + (−u) = 0 Inverso aditivo
Axiomas de multiplicación escalar
² c (u + v) = cu + cv Propiedad distributiva
³ (c + d) u = cu + du Propiedad distributiva
´ c (du) = (cd) u Propiedad asociativa
µ 1 (u) = u Idéntico escalar

Definiciones
Lineales
Observación
I La definición de espacio vectorial no especifica la naturaleza
de los vectores ni las operaciones
I Cualquier tipo de objeto puede ser un vector
I Es posible que las operaciones de adición y multiplicación

escalar no guarden relación o semejanza con las operaciones
vectoriales estándar sobre Rn
I El único requisito es que cumplan los 10 axiomas en la

definición, utilizando las operaciones definidas sobre el
conjunto.

Definiciones
Lineales
Ejemplo
Consideremos el conjunto con un sólo elemento V = {1}. Deter-
mine si el conjunto V es un espacio vectorial o no.
Solución: Observe que no se cumple el axioma de cerradura bajo

la suma. Por ejemplo: 1 + 1 = 2 ∈
/ V . Por lo tanto no es un espacio
vectorial.

Definiciones
Lineales
Ejemplo
El conjunto de puntos en R2 que están en una recta que pasa por
el origen constituye un espacio vectorial.
Solución
Considere el conjunto definido de la siguiente manera

V = x, y | y = mx, donde m es un número fijo y x ∈ R
Para demostrar que V es un espacio vectorial, se verifica que se

cumple cada uno de los axiomas. En este ejemplo sólo se compro-
barán 4 de los 10 axiomas.

Definiciones
Lineales
Solución (Continuación...)

0 Suponga que x = x1 , y1 y y = x2 , y2 están en V .
Entonces y1 = mx1 y y2 = mx2 , entonces

x + y = x1 , y 1 + x2 , y 2

= x1 , mx1 + x2 , mx2

= x1 + x2 , mx1 + mx2

= x1 + x2 , m (x1 + x2 ) ∈ V
Por lo tanto se cumple el axioma de cerradura bajo la suma.

Definiciones
Lineales

0 Suponga que c ∈ R y x = x1 , y1 entonces

cx = c x1 , y1

= c x1 , mx1

= cx1 , cmx1

= cx1 , m (cx1 ) ∈ V
Por lo tanto se cumple el axioma de cerradura bajo la multi-

plicación escalar.

Definiciones
Lineales

0 Considere al vector
0 = 0, m (0) ∈ V . Entonces tomando
a x = x1 , mx1 ∈ V se tiene

x + 0 = x1 , mx1 + 0, m (0)

= x1 + 0, mx1 + m (0)

= x1 , mx1
=x
Por lo tanto se cumple con el axioma de idéntico aditivo.

Definiciones
Lineales

0 Suponga que x = x, mx ∈ V . Entonces

−x = − x, y

= − x, mx

= −x, m (−x)
de manera que −x también pertenece a V y

x + (−x) = x, mx + −x, m (−x)

= x − x, m (x − x)

= 0, 0
=0
Por lo tanto se cumple el axioma de inverso aditivo

Definiciones
Lineales
Ejemplo
El conjunto de puntos en R2 que están sobre una recta que no pasa
por el origen no constituye un espacio vectorial. Sea
V = {(x, y ) : y = 2x + 1, x ∈ R}

Definiciones
Lineales
Solución
Suponga que x = (x1 , y1 ) y y = (x2 , y2 ) están en V . Entonces
x + y = (x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , y1 + y2 )
Si el vector del lado derecho estuviera en V , se tendrı́a
y1 + y2 = 2 (x1 + x2 ) + 1 = 2x1 + 2x2 + 1
Sin embargo y1 = 2x1 + 1 y y2 = 2x2 + 1 por lo que
y1 + y2 = (2x1 + 1) + (2x2 + 1) = 2x1 + 2x2 + 2
Por lo tanto se concluye que
(x1 + x2 , y1 + y2 ) ∈
/V

Definiciones
Lineales
Ejemplo
Considere el conjunto polinomios con coeficientes reales de grado
menor o igual a n. Llamemos a este conjunto Pn . Si p ∈ Pn entonces
p (x) = an x n + an−1 x n−1 + · · · + a1 x + a0
donde cada ai es real.

Definiciones
Lineales
Solución
Rn+1 es un espacio vectorial, por lo que si se establece una forma
de representar a los elementos de Pn como elementos de Rn+1 ,
entonces Pn también es un espacio vectorial.
Esta representación se hará mostrando que se puede construir un
vector v ∈ Rn+1 a partir de un polinomi p ∈ Pn . Sea
p (x) = an x n + an−1 x n−1 + · · · + a1 x + a0 ∈ Pn
Construyamos el vector v con los coeficientes de p, quedando
v = an , an−1 , · · · , a1 , a0 ∈ Rn+1

Se hace el mismo procedimiento para cada polinomio de Pn y de

esta forma se muestra que podemos representar cada polinomio de
Pn como vector de Rn+1 .
∴ Pn es un espacio vectorial

Definiciones
Lineales
Ejemplo
Determine si el conjunto Mm×n , de matrices de m ×n es un espacio
vectorial.

Definiciones
Lineales
Ejemplo
Considere el conjunto S3 de matrices invertibles de 3 × 3. Re-
definiendo la operación suma como
A ⊕ B = AB
y con la multiplicación escalar estándar. Determine si S3 es un

espacio vectorial.

Definiciones
Lineales
Solución
0 Axiomas de cerradura.
I Cerradura bajo la suma Utilizando la operación suma
definida para este conjunto tenemos que probar que
A ⊕ B = AB ∈ S3
AB es invertible si det(AB) 6= 0.
Como A, B ∈ S3 ⇒ det(A) 6= 0 y det(B) 6= 0
calculando det(AB) tenemos
det(AB) = det(A) det(B) 6= 0
por lo tanto AB ∈ S3 y se cumple el axioma.

Definiciones
Lineales
Solución
0 Axiomas de cerradura.
I Cerradura bajo la multiplicación escalar Para que se
cumpla este axioma se tiene que cumplir que el producto
cA es una matriz invertible para cualquier valor de c.
Cuando c = 0, se tiene que
cA = 03×3
la cual no es una matriz invertible. Por lo tanto no se

cumple este axioma
En este momento observamos que S3 no es un espacio

vectorial, sin embargo continuaremos con las pruebas de
los siguientes axiomas.

Definiciones
Lineales
Solución
0 Axiomas de adición.
I Propiedad conmutativa En este axioma se tiene que
mostrar que
AB = BA
este axioma no se cumple ya que la multiplicación de
matrices no es conmutativa.
I Propiedad asociativa De acuerdo a la suma de este
conjunto para verificar este axioma tenemos que ver que
A (BC) = (AB) C
y se cumple debido a la propiedad asociativa de

multiplicación de matrices

Definiciones
Lineales
Solución
0 Idéntico aditivo La matriz invertible que cumple con este
axioma es I3 ya que
AI3 = A
0 Inverso aditivo Para este conjunto, observe que para una

matriz A ∈ S3 , el inverso aditivo es A−1 debido a
AA−1 = I3

Definiciones
Lineales
Solución
0 Axiomas de multiplicación escalar
I Propiedad distributiva Para verificar este axioma se
tiene que cumplir que
c (AB) = cAcB
I Propiedad distributiva Para verificar este axioma se

debe cumplir lo siguiente
(c + d) A = (cA) (dA)
lo cual es claro que no se cumple.

Definiciones
Lineales
Solución
I Propiedad asociativa De acuerdo con la propiedad
asociativa de la multiplicación por un escalar se tiene que
c (dA) = (cd) A
por lo que el axioma se cumple.

I Idéntico escalar Veamos que se cumple el axioma

1(A) = 1aij = aij = A

Definiciones
Lineales
Ejercicio
Determinar si los siguientes conjuntos son o no espacios vectoriales:
¬ El conjunto ® El conjunto de vec-

tores en R 3
V = {(x, y ) | y ≥ 0} de la forma
x, x, x bajo las opera-
bajo las operaciones ciones usuales.
usuales. ¯ El conjunto
de matrices
de
El conjunto de matrices di- 1 α
la forma bajo las
agonales de n × n bajo las β 1
siguientes operaciones operaciones usuales.
A ⊕ B = AB ° El conjunto de polinomios
αA = αA de grado ≤ n con término
constante cero. Utilizando
las operaciones usuales.

Definiciones
Lineales
Contenido:

Subespacios
Espacio generado
Base
Dimensión

Definiciones
Lineales
Definición
Sea V un espacio vectorial y U un subconjunto no vacı́o de V . Si
U es un espacio vectorial bajo las operaciones de suma y multipli-
cación escalar de V , entonces U es un subespacio de V .
Teorema
U es un subespacio si cumple los axiomas de cerradura bajo la suma
y multiplicación escalar.

Definiciones
Lineales
Ejemplo
Considere el subconjunto W de R3 formado por los vectores de la
forma a, a, b . Determine si W es un subespacio de R3 .

Solución
Verificando los dos axiomas de cerradura tenemos que

a, a, b + c, c, d = a + c, a + c, b + d

k a, a, b = ka, ka, kb
Debido a que se cumplen los dos axiomas de cerradura, entonces

W es un subespacio de R3 .

Definiciones
Lineales
Ejemplo
Considere el subconjunto W de R3 formado por los vectores de la
2
forma a, a , b . Determine si W es un subespacio de R3 .

Solución
Verificando la cerradura bajo la suma tenemos que
a, a2 , b + c, c 2 , d = a + c, a2 + c 2 , b + d

Por lo que W no cumple el axioma de cerradura bajo la suma y no

es un subespacio de R3 .

Definiciones
Lineales
Ejemplo
Pruebe que el conjunto U de matrices diagonales de 2 × 2 es un
subespacio de M2×2 .

Definiciones
Lineales
Solución
Considere los siguientes dos elementos de U.

a 0 p 0
u= y v=
0 b 0 q
Entonces

a 0 p 0 a+p 0
u+v = + =
0 b 0 q 0 b+q
por lo u + v ∈ U y se cumple la cerradura bajo la suma. Sea c un

escalar. Entonces

a 0 ca 0
cu = c =
0 b 0 cb
cu es una matriz diagonal de 2×2 y entonces se cumple la cerradura

bajo la multiplicación escalar. Concluimos que U es un subespacio
de M2×2 .
Definiciones
Lineales
Teorema
Sea U un subespacio de un espacio vectorial V . U contiene al vector
cero de V

Definiciones
Lineales
Ejemplo
Sea W = w ∈ R3 | w = a, a, a + 2 . Determine si W es un

subespacio de R3 .

Definiciones
Lineales
Solución
Si W no contiene al vector cero 3
3
de R entonces no es un subespacio
de R . Veamos si 0, 0, 0 ∈ W .

a, a, a + 2 = 0, 0, 0
entonces
a=0
a=0
a+2=0
Como el sistema anterior no tiene solución, el vector cero no está en

W y por tanto no es un subespacio de R3 .

Definiciones
Lineales
Ejemplo
Considere el espacio vectorial V = P4 determine si H =
{p ∈ P4 | p (0) = 1} es un subespacio de P4

Definiciones
Lineales
Solución
Para que un polinomio pertenezca a H, tiene que cumplir que al
evaluarlo en 0 el resultado es 1. Verificando la cerradura bajo la
suma tenemos que si p (x) y q (x) están en P4 , entonces
p (x) + q (x) = a4 x 4 + a3 x 3 + a2 x 2 + a1 x + 1

+ b4 x 4 + b3 x 3 + b2 x 2 + b1 x + 1

= (a4 + b4 ) x 4 + (a3 + b3 ) x 3
+ (a2 + b2 ) x 2 + (a1 + b1 ) x + 2
donde podemos observar que el polinomio p (x) + q (x) tiene como

término constante 2 y por tanto no pertenece a H, con lo que
conluimos que H no es un subespacio de V .

Definiciones
Lineales
Ejercicio
Determine si el conjunto dado H del espacio vectorial V es un
subespacio de V
¬ V = R2 ; H = {(x, y ) | y ≥ 0}
V = Mm×n ; H = {Tn×n ∈ Mm×n | Tn×n es triangular superior}
® V = Pn ; H = {p ∈ Pn | p (0) = 0 y p 0 (0) = 0}

¯ V = Mm×n ; H = A ∈ Mm×n | aij = 0

Definiciones
Lineales
Contenido:

Subespacios
Espacio generado
Base
Dimensión

Definiciones
Lineales
Definición
Sea V un espacio vectorial y tome el vector v ∈ V y tome también
los vectores u1 , u2 , . . . , un ∈ V . Se dice que v es una combinación
lineal de los vectores ui si v puede expresarse como:
v = c1 u1 + c2 u2 + · · · + cn un
donde c1 , c2 , · · · , cn son escalares.

Definiciones
Lineales
Ejemplo
Considere los vectores

v1 = 1, 3, 1 , v2 = 0, 1, 2 , y v3 = 1, 0, −5
v1 es una combinación lineal de v2 y v3 porque
v1 = 3v2 + v3

= 3 0, 1, 2 + 1, 0, −5

= 1, 3, 1

Definiciones
Lineales
Ejemplo
Considere los siguientes vectores que pertenecen a M2×2

0 8 0 2 −1 3 −2 0
v1 = , v2 = , v3 = , v4 =
2 1 1 0 1 2 1 3
v1 es una combinación lineal de v2 , v3 y v4 porque
v1 = v2 + 2v3 − v4

0 2 −1 3 −2 0
= +2 −
1 0 1 2 1 3

0 8
=
2 1

Definiciones
Lineales
Ejemplo

8, 0, 5 es una combinación
Determine si el vector 3
lineal de los
vectores 1, 2, 3 , 0, 1, 4 y 2, −1, 1 ∈ R .
Solución
Aplicando la definición de combinación lineal deben de existir es-
calares c1 , c2 y c3 tales que se cumpla

8, 0, 5 = c1 1, 2, 3 + c2 0, 1, 4 + c3 2, −1, 1

= c1 , 2c1 , 3c1 + 0, c2 , 4c2 + 2c3 , −c3 , c3

= c1 + 2c3 , 2c1 + c2 − c3 , 3c1 + 4c2 + c3

Definiciones
Lineales
Solución
De la igualdad anterior obtenemos el siguiente sistema de ecua-
ciones
c1 + 2c3 = 8
2c1 + c2 − c3 = 0
3c1 + 4c2 + c3 = 5
cuya solución es c1 = 2, c2 = −1 y c3 = 3.

Definiciones
Lineales
Solución

Por lo que nos queda que el vector 8, 0, 5 si es una
combi-
nación lineal de 1, 2, 3 , 0, 1, 4 y 2, −1, 1 .

8, 0, 5 = 2 1, 2, 3 − 1 0, 1, 4 + 3 2, −1, 1
Observación
En caso de que el sistema no tenga solución, entonces no es posi-
ble expresar el vector como una combinación lineal de los otros
vectores.

Definiciones
Lineales
Ejemplo

−1 7
Determine si la matriz es una combinación lineal de
8 −1

1 0 2 −3 0 1
, y ∈ M2×2 .
2 1 0 2 2 0
Solución
Si es posible encontrar escalares c1 , c2 y c3 tales que se cumpla la
siguiente identidad

−1 7 1 0 2 −3 0 1
= c1 + c2 + c3
8 −1 2 1 0 2 2 0
entonces se dice que la matriz es combinación lineal de las otras

matrices.

Definiciones
Lineales
Solución
Entonces

−1 7 c1 + 2c2 −3c2 + c3
=
8 −1 2c1 + 2c3 c1 + 2c2
y para hallar los valores de c1 , c2 y c3 se tiene que resolver el sistema
c1 + 2c2 = −1
−3c2 + c3 = 7
2c1 + 2c3 = 8
c1 + 2c2 = −1

Definiciones
Lineales
Solución
Resolviendo el sistema tenemos que c2 = −2 y c3 = 1
c1 = 3,
−1 7
por lo que se cumple que la matriz es una combinación
8 −1
lineal de las otras matrices quedando

−1 7 1 0 2 −3 0 1
=3 −2 +
8 −1 2 1 0 2 2 0

Definiciones
Lineales
Ejemplo
Determine si el polinomio p (x) = 2x 2 + 6x + 7 es una combinación
lineal de q (x) = x 2 − 1 y r (x) = 2x + 3.
Solución
Para determinar si p (x) es combinación lineal de q (x) y r (x) se
tiene que cumplir la siguiente identidad
p (x) = c1 q (x) + c2 r (x)

2x 2 + 6x + 7 = c1 x 2 − 1 + c2 (2x + 3)

2x 2 + 6x + 7 = c1 x 2 + 2c2 x + (−c1 + 3c2 )

Definiciones
Lineales
Solución
Igualando los coeficientes de los términos semejantes, tenemos que
c1 = 2
2c2 = 6
−c1 + 3c2 = 7
Resolviendo el sistema obtenemos que la solución es c1 = 2, c2 = 3,

por lo que p (x) es combinación lineal de q (x) y r (x) quedando
p (x) = 2q (x) + 3r (x)

Definiciones
Lineales
Ejercicio
Determina si el primer vector es combinación lineal de los otros
vectores.
¬ 8, − 14 , 27

4 ; 2, −1, 3 , 5, 0, 4

−3, 15, 18 ; 2, 0, 7 , 2, 4, 5 , 2, −12, 13

® 0, 10, 8 ; −1, 2, 3 , 1, 3, 1 , 1, 8, 5
Ejercicio

5 7
Determina si la matriz es combinación lineal de las ma-
5 −10

1 2 0 3 1 2
trices , y
3 −4 1 2 0 0
Ejercicio
Determina si el polinomio p (x) = x 2 + 4x + 5 es una combinación
lineal de los polinomios q (x) = x 2 + x − 1 y r (x) = x 2 + 2x + 1

Definiciones
Lineales
Contenido:

Subespacios
Espacio generado
Base
Dimensión

Definiciones
Lineales
Definición
Sean v1 , . . . , vm vectores en un espacio vectorial V . Estos vectores
generan a V si cada vector en V puede ser expresado como una
combinación lineal de ellos. A este conjunto se le llama conjunto
generador de V .
Ejemplo
El conjunto 1, 0, 0 , 0, 1, 0 , 0, 0, 1 genera a R3

ya que cualquier vector u = u1 , u2 , u3 en R3 puede escribirse

como

u = u1 1, 0, 0 + u2 0, 1, 0 + u3 0, 0, 1

Definiciones
Lineales
Ejemplo
El conjunto 1, x, x 2 genera a P2 ya que cualquier polinomio

p (x) = a + bx + cx 2 en P2 puede escribirse como
p (x) = a (1) + b (x) + c x 2

Los conjuntos generadores proporcionados en los ejemplos

anteriores se les denominan conjuntos generadores estándar de
R3 y P2 , respectivamente.
A continuación se mostrarán algunos ejemplos de conjuntos
generadores no estándar.

Definiciones
Lineales
Ejemplo
Determine si el conjunto

S = 1, 2, 3 , 0, 1, 2 , −2, 0, 1
genera a R3
Solución
S genera a R3 si cualquier vector x = x1 , x2 , x3 en R3 puede

representarse como combinación lineal de los vectores de S, es

decir, si existen escalares c1 , c2 y c3 tales que

x1 , x2 , x3 = c1 1, 2, 3 +c2 0, 1, 2 +c3 −2, 0, 1

Definiciones
Lineales
Solución
Simplificando la ecuación anterior tenemos el siguiente sistema de
ecuaciones
Calculando el det de la matriz de

coeficientes A
c1 − 2c3 = x1
1 0 −2
2c1 + c2 = x2
A = 2 1 0 = −1
3c1 + 2c2 + c3 = x3 3 2 1
Como |A| =6 0 el sistema de ecuaciones tiene solución única, por lo

que se concluye que cualquier vector en R3 puede expresarse como
combinación lineal de los vectores de S. Entonces se dice que S es
un conjunto generador de R3 .

Definiciones
Lineales
Ejemplo
Determine si el conjunto

S = 1, 2, 3 , 0, 1, 2 , −1, 0, 1
genera a R3
Solución
S genera a R3 si cualquier vector x = x1 , x2 , x3 en R3 puede

representarse como combinación lineal de los vectores de S, es

decir, si existen escalares c1 , c2 y c3 tales que

x1 , x2 , x3 = c1 1, 2, 3 +c2 0, 1, 2 +c3 −1, 0, 1

Definiciones
Lineales
Solución
Simplificando la ecuación anterior tenemos el siguiente sistema de
ecuaciones
c1 − c3 = x1
2c1 + c2 = x2
3c1 + 2c2 + c3 = x3
la forma escalonada reducida de la matriz aumentada del sistema

anterior es  
1 0 −1 0
 0 1 2 0 
0 0 0 1
por lo que el sistema anterior no tiene solución y por lo tanto no es
posible representar a todos los vectores en R3 como combinación
lineal de los vectores de S. Por lo anterior se concluye que S no
genera a R3 .
Definiciones
Lineales
Observación
En el ejemplo anterior S no genera a R3 , sin embargo genera un
subespacio de R3 , que es el plano en donde están los tres vectores
de S. A este espacio vectorial se le llama espacio generado por el
conjunto S
Definición
Sean v1 , . . . , vm vectores en un espacio vectorial V . El espacio
generado por {v1 , . . . , vm } es el conjunto de combinaciones lineales
de v1 , . . . , vm . Es decir,
gen {v1 , . . . , vm } = {v | v = a1 v1 + · · · + am vm }
donde a1 , . . . , am son escalares arbitrarios.

Definiciones
Lineales
Teorema
Si v1 , v2 , . . . , vk son vectores en un espacio vectorial V , entonces
gen {v1 , v2 , . . . , vk } es un subespacio de V .
Ejemplo

Sean 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?

Definiciones
Lineales
Solución
Para determinar
la apariencia de H, tomemos un vector cualquiera
x, y , z ∈ H, entonces el vector se puede representar como
combinación lineal de v1 y v2 , quedando

x, y , z = a1 2, −1, 4 + a2 4, 1, 6
reduciendo e igualando
x = 2a1 + 4a2
y = −a1 + a2
z = 4a1 + 6a2

Definiciones
Lineales
Solución
Resolviendo el sistema de ecuaciones, vemos que
 1 2 
1 0 6x − 3y
 0 1 1 1
6x + 3y

5 2
0 0 −3x − 3y + z
Observe que para que el sistema tenga solución se tiene que cumplir
5 2
− x − y +z =0
3 3

por lo que se concluye que cualquier vector x, y , z ∈ H cuando
satisface la ecuación anterior. Multiplicando por −3 obtenemos
5x + 2y − 3z = 0
que es la ecuación de un plano que pasa por el origen, obteniendo

de esta forma la apariencia de H.
Definiciones
Lineales
Observación
En general el espacio generado por dos vectores diferentes de cero
en R3 que no son paralelos es un plano que pasa por el origen.
Ejemplo

Determine si el vector v = 3, −1, 11 pertenece a

H = gen −1, 5, 3 , 2, −3, 4

Definiciones
Lineales
Solución

El vector v ∈ H si es una combinación lineal de −1, 5, 3 y
2, −3, 4 , esto es

3, −1, 11 = c1 −1, 5, 3 + c2 2, −3, 4
simplificando la igualdad anterior obtenemos el sistema
−c1 + 2c2 = 3
5c1 − 3c2 = −1
3c1 + 4c2 = 11
resolviendo el sistema vemos que

la solución es c1 = 1, c2 = 2. De
esta forma v = 1 −1, 5, 3 + 2 2, −3, 4 es combinación
lineal de los vectores
que generan
a H y por lo tanto pertenece a
gen −1, 5, 3 , 2, −3, 4 .

Definiciones
Lineales
Ejemplo
Sean p (x) = 2x 2 − 5 y q (x) = x + 1. Muestre que el polinomio
r (x) = 4x 2 + 3x − 7 pertenece a gen {p, q}
Solución
El polinomio r (x) está en gen {p, q} si es una combinación lineal
de p (x) y q (x) , esto es
4x 2 + 3x − 7 = c1 2x 2 − 5 + c2 (x + 1)

= 2c1 x 2 + c2 x − 5c1 + c2
igualando los coeficientes de los polinomios obtenemos
2c1 = 4
c2 = 3
−5c1 + c2 = −7

Definiciones
Lineales
Solución
Resolviendo el sistema vemos que la solución es c1 = 2, c2 = 3.
De esta forma podemos escribir
4x 2 + 3x − 7 = 2 2x 2 − 5 + 3 (x + 1)

por lo que r (x) es combinación lineal de p (x) y q (x) por lo tanto

sı́ pertenece a gen {p, q}.

Definiciones
Lineales
Teorema
Sean v1 , v2 , . . . , vn , vn+1 , n + 1 vectores que están en un
espacio vectorial V . Si v1 , v2 , . . . , vn genera a V , entonces
v1 , v2 , . . . , vn , vn+1 también genera a V . Es decir, si se agregan
uno o más vectores a un conjunto generador se obtiene otro con-
junto generador.

Definiciones
Lineales
Ejercicio
Determinar si el conjunto dado de vectores genera al espacio vec-
torial dado
¬ En R2 : 0, 1 ; 3,

4 ; −1, 2
En R3 : 1, 1, 1 ;

0, 1, 1 ; 0, 0, 1
® En P2 : 1 − x, 3 − x 2

1 0 1 2 4 −1 −2 5
¯ En M2×2 : ; ; ;
1 0 0 0 3 0 6 0

Definiciones
Lineales
Contenido:

Subespacios
Espacio generado
Base
Dimensión

Definiciones
Lineales
Definición
Sean v1 , v2 , . . . , vn vectores en un espacio vectorial V . Entonces
se dicen que son linealmente dependientes si existen n escalares
c1 , c2 , . . . , cn no todos ceros tales que
c1 v1 + c2 v2 + . . . + cn vn = 0
Si los vectores no son linealmente dependientes, se dice que son

linelamente independientes.
Teorema
Dos vectores en un espacio vectorial son linealmente dependientes
si y sólo si uno es múltiplo escalar del otro. En otras palabras si
son paralelos.

Definiciones
Lineales
Ejemplo
   
2 −6
−1 3
I
 0  y v2 =  0  son linealmente
Los vectores son v1 =    
3 −9
dependientes porque v2 = −3v1 .
   
1 2
I Los vectores v1 = 2 y v2 =
   5  son linealmente
4 −3
independientes.

Definiciones
Lineales
Ejemplo

    
1 2 0
Determine si los vectores  −2 , −2  y 1 son linealmente

3 0 7
dependientes o independientes.
Solución
Supongamos que
       
1 2 0 0
c1 −2 + c2 −2 + c3 1 = 0
      
3 0 7 0

Definiciones
Lineales
Solución
De donde obtenemos el sistema
c1 + 2c2 = 0
−2c1 − 2c2 + c3 = 0
3c1 + 7c3 = 0
al resolverlo, obtenemos
 
1 0 0 0
0 1 0 0
0 0 1 0
por tanto la solución única es c1 = c2 = c3 = 0 y los vectores son

linealmente independientes.

Definiciones
Lineales
Ejemplo

    
1 3 11
Determine si los vectores  −3, 0  y −6  son linealmente
0 4 12
dependientes o independientes
Solución
Supongamos que
       
1 3 11 0
c1 −3 + c2 0 + c3 −6 = 0
      
0 4 12 0

Definiciones
Lineales
Solución
Entonces tenemos el sistema
c1 + 3c2 + 11c3 = 0
−3c1 − 6c3 = 0
4c2 + 12c3 = 0
calculando el determinante de la matriz de coeficientes tenemos

1 3 11

−3 0 −6 = 0

0 4 12
por lo tanto este conjunto de vectores es linealmente dependiente.

Definiciones
Lineales
Observación
Tres vectores en R3 son linelamente dependientes si y solo si son
coplanares.
Teorema
Un conjunto de n vectores en Rm siempre es linealmente dependi-
ente si n > m.
Corolario
Un conjunto de vectores linealmente independientes en Rn contiene
a los más n vectores.

Definiciones
Lineales
Teorema
Sean v1 , v2 , . . . , vn , n vectores en Rn y sea A una matriz de n ×
n cuyas columnas son v1 , v2 , . . . , vn . Entonces v1 , v2 , . . . , vn son
linealmente independientes si y solo si la única solución al sistema
homogéneo Ax = 0 es la solución trivial x = 0.
Teorema
Sea A una matriz de n × n. Entonces det (A) 6= 0 si y solo si las
columnas de A son linealmente independientes.

Definiciones
Lineales
Teorema
Sea A una matriz de n × n. Entonces las ocho afirmaciones sigu-
ientes son equivalentes (es decir, si una es cierta todas son ciertas)
1. A es invertible
2. La única solución al sistema homogéneo Ax = 0 es la
solución trivial x = 0.
3. El sistema Ax = b tiene solución única para todo n vector b.
4. A es equivalente por renglones a la matriz identidad de n × n,
In
5. A se puede escribir como el producto de matrices
elementales
6. La forma escalonada por renglones de A tiene n pivotes
7. det (A) 6= 0
8. Las columnas de A son linealmente independientes.

Definiciones
Lineales
Teorema
Cualquier conjunto de n vectores linealmente independiente en Rn
genera a Rn .
Ejemplo

Determine si los vectores 2, −1, 4 , 1, 0, 2 , y
3, −1, 5 son linealmente dependientes o independientes

Definiciones
Lineales
Solución
Colocamos los vectores en forma de columnas para construir la
matriz  
2 1 3
A = −1 0 −1
4 2 5
que tiene como determinante det (A) = −1, por tanto, los vectores
son linealmente independientes.

Definiciones
Lineales
Ejemplo

1 0 2 −1 1 4
En M2×3 , sean A1 = , A2 = y A3 =
3 1 −1 2 3 0

−1 0 1
determine si A1 , A2 y A3 son linealmente dependientes
1 2 1
o independientes.
Solución
Supongamos que c1 A1 + c2 A2 + c3 A3 = 0. Entonces

1 0 2 −1 1 4 −1 0 1 0 0 0
c1 + c2 + c3 =
3 1 −1 2 3 0 1 2 1 0 0 0
lo que equivale a

c1 − c2 − c3 c2 2c1 + 4c2 + c3 0 0 0
=
3c1 + 2c2 + c3 c1 + 3c2 + 2c3 −c1 + c3 0 0 0

Definiciones
Lineales
Solución
Como c2 = 0, se tiene el sistema Resolviendo
1 −1 0
   
1 0 0
2 1 0 0
  1 0
 
c1 − c3 = 0  ∼ 0
3 1 0  0 0
 
1 2 0 0 0 0
2c1 + c3 = 0
−1 1 0 0 0 0
3c1 + c3 = 0
c1 + 2c3 = 0
−c1 + c3 = 0
por lo tanto, la única solución es c1 = c2 = c3 = 0 y de esta

manera los vectores son linealmente independientes.

Definiciones
Lineales
Ejemplo
Determine si los polinomios en P3 , 1, x, x 2 y x 3 son linealmente
dependientes o independientes
Solución
Suponga que c1 + c2 x + c3 x 2 + c4 x 3 = 0. Esto debe cumplirse para
toda x, en particular para valores especı́ficos de x, si tomamos
x = 0 se sigue que c1 = 0. Entonces, haciendo x = 1, x = −1 y
x = 2 se obtiene respectivamente
c2 + c3 + c4 = 0
−c2 + c3 − c4 = 0
2c2 + 4c3 + 8c4 = 0

Definiciones
Lineales
Solución
el determinante de este sistema es

1 1 1

−1 1 −1 = 12

2 4 8
por lo tanto, estos vectores son linealmente independientes.

Definiciones
Lineales
Ejemplo
Determine si los polinomios en P2 , x − 2x 2 , x 2 − 4x y −7x + 8x 2
son linealmente dependientes o independientes.
Escribiendo los polinomios como combinación lineal e
igualandolos al polinomio cero, tenemos
c1 (x − 2x 2 ) + c2 (x 2 − 4x) + c3 (−7x + 8x 2 ) = 0x 2 + 0x + 0
reduciendo la ecuación anterior entonces

Definiciones
Lineales
Contenido:

Subespacios
Espacio generado
Base
Dimensión

Definiciones
Lineales
Definición de Base
Definición
Un conjunto finito de vectores {v1 , v2 , . . . , vn } es una base para un
espacio vectorial V si
1. {v1 , v2 , . . . , vn } es linealmente independiente.
2. {v1 , v2 , . . . , vn } genera a V

Definiciones
Lineales
Ejemplo (Una base para un subespacio de R3 )

Encuentre una base para el conjunto de vectores que se encuentran
en el plano

π = x, y , z | 2x − y + 3z = 0

Definiciones
Lineales
Solución
Para encontrar una base, primero se observa que si x y z se escogen
arbitrariamente y si x, y , z ∈ π, entonces y = 2x + 3z. Ası́,
los vectores en π tienen la forma
         
x x 0 1 0
2x + 3z  = 2x  + 3z  = x 2 + z 3
z 0 z 0 1

Lo cual muestra que 1, 2, 0 y 0, 3, 1 generan a π. Como
estos vectores son linealmente independientes ya que uno no es
múltiplo del otro, forman una base para π .

Definiciones
Lineales
Teorema
Si {v1 , v2 , . . . , vn } es una base para V y si v ∈V , entonces existe
un conjunto único de escalares c1 , c2 , . . . , cn tales que v =c1 v1 +
c2 v2 + · · · + cn vn
Teorema
Si {u1 , u2 , . . . , um } y {v1 , v2 , . . . , vn } son bases en un espacio vec-
torial V , entonces m = n; es decir, cualesquiera dos bases en un
espacio vectorial V tienen el mismo número de vectores.

Definiciones
Lineales
Ejemplo
Encuentre una base para el espacio de solución del sistema ho-
mogéneo dado
x −y =0
−2x + 2y = 0

Definiciones
Lineales
Solución
Resolviendo el sistema observamos que la solución es x = −y , con
y arbitraria. Entonces
se pueden representar todas las soluciones
x
como el vector . Para encontrar una base en el espacio de
−x
solución, es necesario encontrar un conjunto de vectores que genere
a todas las soluciones
del sistema, esto es a todos lo vectores de
x
la forma . Veamos que
−x

x 1
=x
−x −1

Definiciones
Lineales
Solución continuación...
por lo quecualquier
solución se puede escribir como combinación
1
lineal de , y por tanto genera al espacio de solución y es
−1
linealmente independiente. En conclusión el conjunto

1
−1
es una base para el espacio de solución del sistema homogéneo.

Definiciones
Lineales
Ejercicio
Determine si el conjunto dado S es una base para el espacio vec-
torial a que se refiere.
1. En P2 : S = 1 − x 2 , x

2. En P3 : S = 1 + x, 2 + x 2 , 3 + x 3 , 1

3 1 3 2 −5 1 0 1
3. En M2×2 : S = , , ,
0 0 0 0 0 6 0 −7

a 0 0 b 0 0 0 0
4. En M2×2 : S = , , ,
0 0 0 0 c 0 0 d
5. H = (x, y ) ∈ R2 | x + y = 0 : S = 1 −1 , −3 3


Definiciones
Lineales
Ejercicio
Encuentre una base en R3 para el conjunto de vectores que con-
stituyen el plano 3x − 2y + z = 0
Ejercicio
Encuentre una base para el espacio de solución del sistema ho-
mogéneo dado
2x + 3y − 4z = 0
x −y +z =0
2x + 8y − 10z = 0

Definiciones
Lineales
Contenido:

Subespacios
Espacio generado
Base
Dimensión

Definiciones
Lineales
Definición (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 dimen-
sión finita. De otra manera, V se denomina espacio vectorial de
dimensión infinita. Si V = {0}, entonces se dice que tiene dimen-
sión cero.

Definiciones
Lineales
Teorema
Suponga que dim V = n. Si u1 , u2 , . . . , um es un conjunto de m
vectores linealmente independientes en V , entonces m ≤ n.
Teorema
Sea H un subespacio de un espacio vectorial de dimensión finita V .
Entonces H tiene dimensión finita y
dim H ≤ dim V

Definiciones
Lineales
Ejercicio
Encuentre una base para D3 , el espacio vectorial de matrices diag-
onales de 3 × 3. ¿Cuál es la dimensión de D3 ?
Ejercicio
¿Cuál es la dimensión de Dn , el espacio vectorial de matrices diag-
onales de n × n?

Definiciones
Lineales
Contenido:

Subespacios
Espacio generado
Base
Dimensión

Definiciones
Lineales
Definición (Espacio Nulo)

Sea A una matriz de m × n y sea
NA = {x ∈ Rn : Ax = 0}
al conjunto NA se le denomina espacio nulo de la matriz A.

Definición (Nulidad de una matriz)
La nulidad de una matriz A, denotada por ν (A), es igual a la
dimensión del espacio nulo. Esto es:
ν (A) = dim NA
si NA contiene solo al vector cero, entonces ν (A) = 0.

Nota. El espacio nulo de una matriz también se conoce como
kernel.

Definiciones
Lineales
Ejemplo de Espacio nulo y nulidad de una matriz de 2 × 3

1 2 −1
Sea A = . Entonces, una base para el espacio de
2 −1 3
 
−1
solución o espacio nulo de A es el vector  1  y por lo tanto
1
 
 −1 
NA = gen  1 
1
 
y ν (A) = dim NA = 1.

Definiciones
Lineales
Ejemplo de Espacio nulo y nulidad de una matriz de 3 × 3

 
2 −1 3
Sea A =  4 −2 6 . Entonces, una base para el espacio
−6 3 −9
   
 1 0 
de solución o espacio nulo de A es el conjunto  2  ,  3 
0 1
 
y por lo tanto
   
 1 0 
NA = gen  2  ,  3 
0 1
 
y ν (A) = dim NA = 2

Definiciones
Lineales
Teorema
Sea A una matriz de n × n. Entonces A es invertible si y sólo si
ν (A) = 0.
Definición (Imagen de una matriz)
Sea A una matriz de m × n. Entonces la imagen de A, denotada
por Im (A), está dada por
Im (A) = {y ∈ Rm : Ax = y para alguna x ∈ Rm }

Definiciones
Lineales
Teorema
Sea A una matriz de m × n. Entonces la imagen de A Im (A) es un
subespacio de Rm
Definición (Rango de una matriz)
Sea A una matriz de m × n. Entonces el rango de A, denotado por
ρ (A), está dado por
ρ (A) = dim Im (A)
Teorema
Para cualquier matriz A, CA = Im (A). Es decir, la imagen de una
matriz es igual al espacio de sus columnas.

Definiciones
Lineales
Ejemplo
Cálculo de NA , ν (A), Im (A), ρ (A), RA y CA para una matriz de
2 × 3.

1 2 −1
Sea A = . A es una matriz de 2 × 3.
2 −1 3
I El espacio nulo de A = NA = x ∈ R3 : Ax = 0 . Como se

 
 −1 
vio en el ejemplo 1, NA = gen  1 
1
 
I La nulidad de A = ν (A) = dim NA = 1
I ρ (A) = dim Im (A) = dim R2 = 2

I Se sabe que Im (A) = CA . Las primeras dos columnas de A
son vectores linealmente independientes en R2 y, por lo
tanto, forman una base para R2 . La Im (A) = CA = R2 .

Definiciones
Lineales
Continuación del ejemplo...
I El espacio de los renglones de

A = RA = gen {(1, 2, −1) , (2, −1, 3)}. Como estos dos
vectores son linealmente independientes, se ve que RA es un
subespacio de dimensión dos de R3 . Observe que RA es un
plano que pasa por el origen.

Definiciones
Lineales
Teorema
Si A es una matriz de m × n, entonces
dim RA = dim CA = dim Im (A) = ρ (A)

Definiciones
Lineales
Ejemplo del Cálculo de Im (A) y ρ (A) para una matriz de 3 × 3

Encontrar una base
  para Im (A) y determine el rango de A =
2 −1 3
 4 −2 6 .
−6 3 −9
Solución: Como r2 = 2r1 y r3 = −3r1 , se ve que

ρ (A) = dim RA = 1. Ası́, toda
 columna
 en CA es una base para
2
CA = Im (A). Por ejemplo,  4  es una base para Im (A).
−6

Definiciones
Lineales
Teorema
El rango de una matriz es igual al número de pivotes en su forma
escalonada por renglones.
Ejemplo
 
1 2 −4 3
 2 5 6 −8 
Sea A =  0 −1 −14 14 , Calcula lo siguiente: NA , ν (A),

3 6 −12 9
Im (A) , ρ (A) , RA y CA para una matriz de 4 × 4

Definiciones
Lineales
Reduciendo la matriz a su forma escalonada

 por renglones queda
1 0 −32 31
 0 1 14 −14 
como sigue: 0 0
.
0 0 
0 0 0 0
De la matriz anterior obtenemos las siguientes ecuaciones:
x1 − 32x3 + 31x4 = 0
x2 + 14x3 − 14x4 = 0
o bien
x1 = 32x3 − 31x4
x2 = −14x3 + 14x4

Definiciones
Lineales
de manera que si x ∈ NA , entonces

     
32x3 − 31x4 32 −31
 −14x3 + 14x4 
 = x3  −14  + x4  14 
   
x=  x3   1   0 
x4 0 1
por lo que los vectores de la combinación lineal forman una base

para NA y entonces
   

 32 −31  
−14   14 

NA = gen    ,  

 1   0  
0 1
 

Definiciones
Lineales
I A continuación podemos ver que ν (A) = dim NA = 2, debido

a que una base para NA tiene dos elementos.
I Para calcular el rango, podemos observar como quedo la
matriz en su forma escalonada por renglones y de ahı́, contar
el número de pivotes. De lo anterior ρ (A) = 2.
I Una vez que tenemos el rango, es más fácil obtener Im (A),
debido a que conocemos dim Im (A) = ρ (A) = 2, lo que nos
indica que una base para Im (A) tiene 2 elementos. De lo
anterior para obtener una base para Im (A) sólo tenemos que
tomar 2 columnas de A que sean linealmente independientes,
debido a que CA = Im (A). Por ejemplo:
   

 1 2 

2 5
   
CA = Im (A) = gen   , 
   

 0 −1  
3 6
 

Definiciones
Lineales
I Para calcular RA , utilizamos el mismo razonamiento que

usamos para calcular CA , y el hecho de que
dim RA = dim CA = 2. Por lo tanto
   

 1 2 

2   5 

RA = gen   −4  ,  6 
  

 
3 −8
 

Definición Lineales
Propiedades Imagen y Núcleo Representaci
Contenido:
2 Transformaciones Lineales
Definición
Propiedades
Imagen y Núcleo
Representación Matricial

Contenido:
Definición
Propiedades
Imagen y Núcleo

Definición [Transformación Lineal]

Sean V y W espacios vectoriales reales. Una transformación lineal
T de V en W es una función que asigna a cada vector en v ∈ V
un vector único T v ∈ W y que satisface, para cada u y v en V y
cada escalar α,
T (u + v) = T u+T v (1)
T (αv) = αT v (2)
Dos observaciones sobre la notación:

1. Se escribe T : V −→ W para indicar que T toma el espacio
vectorial real V y lo lleva al espacio vectorial real W.
2. Se escriben indistintamente T v y T (v). Denotan lo mismo y
las dos se leen ”T de v”.

Ejemplo
[Una transformación lineal de R2 en R3 ] Sea T : R2 −→ R3 definida
por  
x +y
x
T = x −y 
y
3y
Para verificar que sea una transformación lineal debe de cumplir

las dos propiedades de la definición. Examinemos la primera
propiedad:
x1 x2 x1 + x2
T + =T
y1 y2 y1 + y2
evaluando en la función definida para el ejemplo nos queda:
 
x1 + x2 + y1 + y2
x1 + x2
T =  x1 + x2 − y1 − y2 
y1 + y2
3y1 + 3y2

   
x1 + y1 x2 + y2
= x1 − y1  + x2 − y2 
3y1 3y2
pero como:
   
x1 + y1 x2 + y2
x1 − y1  = T x1 y x2 − y2  = T x2
y1 y2
3y1 3y2
se cumple la primera propiedad de linealidad.

De manera similar

x αx
T α =T
y αy
   
αx + αy x +y
x
=  αx − αy  =α  x − y  = αT
y
3αy 3y
ası́ al cumplir las dos propiedades de linealidad, T es una

transformación lineal.

Ejemplo [La transformación cero]

Sean V y W espacios vectoriales y defina T : V −→ W por T v = 0
para todo v ∈ V . Entonces
T (v1 + v2 ) = 0 = 0 + 0 = T v1 + T v2
T (αv) = 0 = α0 =αT v
en este caso, T se denomina la transformación cero.

Ejemplo [La transformación identidad]
Sea V un espacio vectorial y defina I : V −→ V por Iv = v para
todo v ∈V . Aquı́ es obvio que I es una transformación lineal, la
cual se denomina transformación identidad.

Contenido:
Definición
Propiedades
Imagen y Núcleo

En esta sección se desarrollan algunas propiedades básicas de las

transformaciones lineales.
Teorema
Sea T : V −→ W una transformación lineal. entonces para to-
dos los vectores u, v, v1 , v2 , . . . , vn en V y todos los escalares
α1 , α2 , . . . , αn :
1. T (0) = 0
2. T (u − v) = T (u) − T (v)
3. T (α1 v1 + α2 v2 + · · · + αn vn ) =
α1 T v1 + α2 T v2 + · · · + αn T vn

Teorema
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
T1 vi = T2 vi = wi para i = 1, 2, . . . , n. Entonces para cualquier
vector v ∈ V , T1 v = T2 v; es decir T1 = T2 .

Ejercicio
Sea 3 2
T  una transformación lineal
 de R en R y suponga
  que
1 0 0
2 −1
T 0  = ,T  1  = y T 0  =
3 4
0 0 1
 
3
5
. Calcule T  −4 
−3
5

Teorema
Sea V un espacio vectorial de dimensión finita con base B =
{v1 , v2 , . . . , vn }. Sea W un espacio vectorial que contiene los vec-
tores w1 , w2 , . . . , wn . Entonces existe una transformación lineal
única T : V −→ W tal que T vi = wi para i = 1, 2, . . . , n.

Ejercicio
Encuentre una transformación lineal de R2 en el plano
  
 x 
W = y  : 2x − y + 3z
z
 

Contenido:
Definición
Propiedades
Imagen y Núcleo

Definición [Núcleo e Imagen de una transformación lineal]

Sean V y W dos espacios vectoriales y sea T : V −→ W una
transformación lineal. Entonces
1. El núcleo de T , denotado por nu T , está dado por
nu T = {v ∈ V : T v = 0}
2. La imagen de T , denotado por Im T , está dado por
Im T = {w ∈ W : w =T v para alguna v ∈ V }

Teorema
Si T : V −→ W es una transformación lineal, entonces
1. nu T es un subespacio de V
2. Im T es un subespacio de W
Ejemplo [Núcleo e imagen de la transformación cero.]

Sea T v = 0 para todo v ∈ V . Entonces nu T = V e Im T = {0}

Contenido:
Definición
Propiedades
Imagen y Núcleo

Teorema
Sea T : Rn → Rm una transformación lineal. Entonces existe una
matriz única de m × n, AT tal que
T x = AT x para toda x ∈ Rn
Definición de Matriz de transformación

La matriz AT en el teorema 2 se llama matriz de transformaciòn
correspondiente a T o representación matricial de T .

Teorema
Sea AT la matriz de transformación correspondiente a la transfor-
mación lineal T . Entonces
I Im T = Im AT = CAT
I ρ (T ) = ρ (AT )
I nu T = NAT
I ν (T ) = ν (AT )

Ejemplo
Encuentre la matriz de transformación AT correspondiente a la
proyección de un vector en R3 sobre el plano xy , definida por
   
x x
T y = y 
z 0
En particular
           
1 1 0 0 0 0
T  0  =  0 ,T
  1  =  1  yT  0  =  0 
0 0 0 0 1 0
Ası́,  
1 0 0
AT =  0 1 0 
0 0 0
continuación del ejemplo...
      
x 1 0 0 x x
Observe que AT  y  =  0 1 0   y  =  y 
z 0 0 0 z 0

Ejemplo
 
  x −y
x  y +z 
Defina T : R3 → R4 por T  y  =   2x − y − z


z
−x + y + 2z
Encuentre AT , nu T, Im T, ν (T ) y ρ (T ).
Evaluando los elementos de la base canónica de R3 en la
transformación, tenemos que
     
  1   −1   0
1  0  0  1  0  1 
T 0 =  2 ,T
  1 =
 −1  , T
  0 =
 −1


0 0 1
−1 1 2

por lo que la matriz de transformacion AT queda como sigue:

 
1 −1 0
 0 1 1 
AT =   2 −1

−1 
−1 1 2
Ahora se calculan el núcleo yla imagen de 

AT . La forma
1 −1 0
 0 1 1 
escalonada por renglones es   0 0
. Esta forma tiene
1 
0 0 0
tres pivotes, de manera que
ρ (AT ) = 3 y ν (AT ) = 3 − 3 = 0
El cálculo de la nulidad se debe a que se cumple

ρ (AT ) + ν (AT ) = n, donde n es el número de columnas de AT .
Esto significa que
nu T = {0} ,
     

 1 −1 0 

0   1   1 
  
Im T = gen   2  ,  −1
,  ,
  −1 

 
−1 1 2
 
ν (T ) = 0 y
ρ (T ) = 3

Ejemplo
   
x 2x − y + 3z
Defina T : R3 → R3 por T  y  =  4x − 2y + 6z 
z −6x + 3y − 9z
Encuentre AT , nu T, Im T, ν (T ) y ρ (T ).
       
1 2 0 −1
Como T  0  =  4  , T  1  =  −2  y
0 −6 0 3
   
0 3
T  0  =  6  se tiene
1 −9
 
2 −1 3
AT =  4 −2 6 
−6 3 −9

Para encontrar NA = nu T , se reduce por renglones para resolver

el sistema Ax = 0
1 −1 3
   
2 −1 3 0 2 2 0
 4 −2 6 0  =  0 0 0 0 

−6 3 −9 0 0 0 0 0

x
por lo que  y  ∈ NA si x − 21 y + 32 z = 0, o sea, x = 12 y + 23 z ,
z
estableciendo primero y = 1, z = 0 y después y = 0, z = 1, se
obtiene una base para NA :
 1   3 
 2 2 
nu T = NA = gen  1  ,  0 
0 1
 

Entonces ν (T ) = dim nu T = 2. Como solo existe un pivote para

AT se tiene 
que
 ρ (T )=ρ (AT ) = 1. y por lo tanto
 2 
Im T = gen  4  .
−6
 

05 Espacios Vectoriales y TL

Cargado por

Información del documento

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

05 Espacios Vectoriales y TL

Cargado por

Copyright:

Formatos disponibles

Espacios Vectoriales y Transformaciones Lineales Transformaciones

1 Espacios Vectoriales y Transformaciones Lineales

AAL Espacios Vectoriales y T.L. 1/140

En esta unidad se generalizará el concepto de vector enunciando

Estos axiomas se eligirán generalizando las propiedades más

AAL Espacios Vectoriales y T.L. 2/140

1 Espacios Vectoriales y Transformaciones Lineales

AAL Espacios Vectoriales y T.L. 3/140

AAL Espacios Vectoriales y T.L. 4/140

AAL Espacios Vectoriales y T.L. 5/140

I Cualquier tipo de objeto puede ser un vector

I Es posible que las operaciones de adición y multiplicación

I El único requisito es que cumplan los 10 axiomas en la

AAL Espacios Vectoriales y T.L. 6/140

Solución: Observe que no se cumple el axioma de cerradura bajo

AAL Espacios Vectoriales y T.L. 7/140

Para demostrar que V es un espacio vectorial, se verifica que se

AAL Espacios Vectoriales y T.L. 8/140

Por lo tanto se cumple el axioma de cerradura bajo la suma.

AAL Espacios Vectoriales y T.L. 9/140

Por lo tanto se cumple el axioma de cerradura bajo la multi-

AAL Espacios Vectoriales y T.L. 10/140

Por lo tanto se cumple con el axioma de idéntico aditivo.

AAL Espacios Vectoriales y T.L. 11/140

de manera que −x también pertenece a V y

Por lo tanto se cumple el axioma de inverso aditivo

AAL Espacios Vectoriales y T.L. 12/140

AAL Espacios Vectoriales y T.L. 13/140

x + y = (x1 , y1 ) + (x2 , y2 ) = (x1 + x2 , y1 + y2 )

Si el vector del lado derecho estuviera en V , se tendrı́a

y1 + y2 = 2 (x1 + x2 ) + 1 = 2x1 + 2x2 + 1

Sin embargo y1 = 2x1 + 1 y y2 = 2x2 + 1 por lo que

y1 + y2 = (2x1 + 1) + (2x2 + 1) = 2x1 + 2x2 + 2

Por lo tanto se concluye que

AAL Espacios Vectoriales y T.L. 14/140

p (x) = an x n + an−1 x n−1 + · · · + a1 x + a0

donde cada ai es real.

AAL Espacios Vectoriales y T.L. 15/140

p (x) = an x n + an−1 x n−1 + · · · + a1 x + a0 ∈ Pn

Construyamos el vector v con los coeficientes de p, quedando

Se hace el mismo procedimiento para cada polinomio de Pn y de

AAL Espacios Vectoriales y T.L. 16/140

AAL Espacios Vectoriales y T.L. 17/140

y con la multiplicación escalar estándar. Determine si S3 es un

AAL Espacios Vectoriales y T.L. 18/140

det(AB) = det(A) det(B) 6= 0

por lo tanto AB ∈ S3 y se cumple el axioma.

AAL Espacios Vectoriales y T.L. 19/140

Cuando c = 0, se tiene que

la cual no es una matriz invertible. Por lo tanto no se

En este momento observamos que S3 no es un espacio

AAL Espacios Vectoriales y T.L. 20/140

y se cumple debido a la propiedad asociativa de

AAL Espacios Vectoriales y T.L. 21/140

0 Inverso aditivo Para este conjunto, observe que para una

AAL Espacios Vectoriales y T.L. 22/140

I Propiedad distributiva Para verificar este axioma se

lo cual es claro que no se cumple.

AAL Espacios Vectoriales y T.L. 23/140

por lo que el axioma se cumple.

AAL Espacios Vectoriales y T.L. 24/140

¬ El conjunto ® El conjunto de vec-

AAL Espacios Vectoriales y T.L. 25/140

1 Espacios Vectoriales y Transformaciones Lineales