Apuntes de Algebra Lineal FI UNAM

Apuntes de Álgebra
Lineal
(Unidad 1,2 y 3)
Sofía Avila Becerril
(soavbec@gmail.com )
Borrador 1
Fecha de elaboración, April 21, 2020

Contents
1 Grupos y Campos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.1 Operación Binaria 7
1.1.1 Ejemplos de Operaciones Binarias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2 Grupos 9
1.3 Campos 10
2 Espacios Vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.1 Espacios Vectoriales 13
2.1.1 Subespacios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2 Espacio Vectorial de Funciones 17

2.2.1 Variables físicas como funciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.3 Espacio vectorial de funciones 20

2.3.1 Subespacios de funciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.4 Combinación Lineal 21

2.5 Dependencia e Independencia Lineal 23
2.6 Generadores y Bases de Espacios Vectoriales 25
2.6.1 Bases y dimensión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.7 Coordenadas de Vectores 30

2.8 Matriz de transición 32
2.8.1 Obtención de la matriz de transición . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.9 Espacio renglón y espacio columna 36
2.9.1 Solución de un sistema de ecuaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3 Transformaciones Lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.1 Definición de transformación. Dominio y co-dominio 41
3.2 Transformaciones Lineales 43
3.2.1 Los subespacios núcleo y recorrido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.3 Matriz asociada a una transformación 51
3.3.1 Matriz asociada a una transformación referida a bases estándar . . . . . . . . . . . 51
3.3.2 Matriz asociada a una transformación referida a bases no-estándar . . . . . . . . 53
3.4 Operaciones con transformaciones 56
3.4.1 Suma y multiplicación por un escalar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.4.2 Composición de transformaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.4.3 Transformación inversa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.5 Valores y vectores propios 60
3.5.1 Obtención de valores y vectores propios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
List of Figures
2.1 Suma geométrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

2.2 multiplicación por un escalar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3 Asociatividad de la suma geométrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.4 Relación entre vector geométrico y pareja ordenada . . . . . . . . . . . . . . . . . . . . 13
2.5 Resumen espacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.6 La suma de dos flujos genera otro flujo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.7 Un flujo puede ser amplificado por medio de una bomba . . . . . . . . . . . . . . . . . . 19
2.8 La suma de dos fuerzas genera otra fuerza . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.9 Una fuerza puede ser amplificada por una palanca (o por engranes o por poleas) . . . . 19
2.10 La suma de dos corrientes genera otra corriente . . . . . . . . . . . . . . . . . . . . . . . 19
2.11 Una corriente puede ser amplificada por un transformador eléctrico. . . . . . . . . . . . 19
2.12 Combinación lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.13 El vector v̄ en el plano no cambia, lo que cambian son los ejes coordenados formados
por dos bases B = {v̄1 , v̄2 } y A = {w̄1 , w̄2 }. . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.14 Robot SCARA epson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.15 Robot SCARA epson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.16 Movimiento del robot (tomado de http://www.intorobotics.com/) . . . . . . . . . 33
2.17 Dibujo renglones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.1 Superposición . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.2 Ejemplos de funciones no-lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.3 Ejemplos de funciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
1. Grupos y Campos
Hasta ahora se ha trabajado con diferentes clases de conjuntos: números reales, números complejos,
matrices, polinomios, etc. y dentro de cada conjunto se pueden efectuar operaciones. Sin embargo,
no todas las operaciones se comportan igual.
1.1 Operación Binaria

Una operación binaria es una regla que se aplica a una pareja ordenada de elementos de un conjunto
con lo que se obtiene uno y sólo un elemento (resultado) que puede o no pertenecer al conjunto. Es
decir,
• Se aplica a dos elementos de la misma especie
• Por medio de un criterio, asigna a dichos elementos un único resultado
Ejemplo 1 — Adición de números reales.. Considere a los números reales R. La operación
binaria adición, denotada por el símbolo +, asigna a cada par de números reales (a,b) un único
elemento representado por
a+b
Así, al aplicar la operación adición al par (3,4) se tiene que
3+4 = 7
R Observe que la suma de naturales, la multiplicación de matrices, la adición de polinomios, etc.

son operaciones binarias.
Las operaciones binarias no se restringen a las usuales, sino admiten la existencia o la creación de
nuevas operaciones. Para esto, basta con especificar una regla que le asigne a cada par ordenado de
elementos en un conjunto S, un único elemento y se puede usar cualquier símbolo.
8 Chapter 1. Grupos y Campos
Ejemplo 2 Considere el conjunto de los números enteros Z considere a la operación binaria △ ∶

Z × Z → Z dada por la siguiente regla:
a △ b = 2a + 3b
la cual dice que “al doble del primer número se le debe agregar el triple del segundo1 ”. De manera
que la operación △ aplicada a la pareja (1,5) queda dada por
1 △ 5 = 2(1) + 3(5)
= 17
1.1.1 Ejemplos de Operaciones Binarias

Ejemplo 3 Sean los naturales N y la operación binaria 3 ∶ N × N → N dada por
m3n = m + 2n, para m,n ∈ N (1.1)
Si aplicamos la regla a la pareja (1,5) el resultado es
1 3 5 = 1 + 2(5) = 11
Ejemplo 4 — Conjunto de cardinalidad finita. Sea el conjunto G = {α,β ,γ} tal que ∣G∣ = 3. Se
define la operación ◻ ∶ G × G → G con regla dada por la siguiente tabla:
◻ α β γ
α α β γ
β β β α
γ α β γ
Si aplicamos la regla a la pareja (γ,β ) el resultado es
γ ◻ β =β
Ejemplo 5 — Final 5 dic 2017. Considere el conjunto de los números reales R y las operaciones
binarias ⋆, ○ definidas como
a⋆b = a+b+1
a ○ b = a + b + ab; ∀a,b ∈ R
Obtener los valores de x,y ∈ R que satisfacen las siguientes ecuaciones
x ⋆ (3 ○ y) = 3
x⋆4 = 0
A un conjunto donde están definidas una o varias operaciones binarias se le suele llamar sistema
algebraico. Es posible que conjuntos de diferente naturaleza y diferentes operaciones tengan el
mismo comportamiento algebraico, es decir, que obedezcan a las mismas leyes. En tal caso ambos
poseen la misma estructura algebraica.
1
Note que se dice “primero” y “segundo” porque la operación se aplica a la pareja ordenada (a, b)
1.2 Grupos 9
1.2 Grupos
Definición 1.2.1 — Grupo. Sea A un conjunto no-vacío y sea ⋆ una operación binaria definida
en A. Se dice que el sistema (A,⋆) tiene estructura de grupo si se cumplen los siguientes axiomas:
1. Cerradura: La operación de dos elementos en A es un elemento en A
a ⋆ b ∈ A; ∀a,b ∈ A
2. Asociatividad: Al operar tres elementos el resultado es el mismo si los elementos se asocian

(agrupan) de dos en dos operados de cualquier forma, es decir:
(a ⋆ b) ⋆ c = a ⋆ (b ⋆ c) ∀ a,b,c ∈ A
3. Idéntico: Existe un único elemento e ∈ A llamado idéntico del grupo, tal que
a ⋆ e = e ⋆ a = a; ∀a∈A
4. Inversos: Para todo a ∈ A existe un elemento â ∈ A tal que
a ⋆ â = â ⋆ a = e
∎
Cuando la operación es la adición, entonces el grupo puede ser llamado grupo aditivo .
Definición 1.2.2 — Grupo Abeliano. Un grupo (A,⋆) se dice ser abeliano o conmutativo si la
operación ⋆ es tal que el resultado es el mismo para cualquier orden de los operandos, es decir si
a⋆b = b⋆a
∎
Ejemplo 6 Determine si los conjuntos dados en los Ejemplos 3 y 4, con su operación binaria, son
grupos abelianos
Cuando se tiene un conjunto ∣S∣ de cardinalidad finita ∣S∣ = n, la propiedad asociativa es
exhaustiva, en el sentido de que hay que mostrar que la propiedad se cumple para todas las posibles
combinaciones (permutaciones) que son ∣S∣ elementos tomados de 3 en 3, es decir
P = ∣S∣3
Tarea:([2]) Sea el conjunto de los números reales y la operación , ∶ R × R → R dada por la regla:
x,y = x + y + 3; ∀x,y ∈ R
Determinar si el sistema (R,,) tiene estructura de grupo
Ejemplo 7 Sea el sistema algebraico
a 0
S = {[ ], a,b,c ∈ R}
b c
y la operación binaria ⊗ definida por
a 0 m 0 a+m 0
[ ]⊗[ ]=[ ]
b c n r bn c + r
10 Chapter 1. Grupos y Campos
Determinar si (S,⊗) tiene estructura de grupo

Ejemplos de grupos abelianos son (R,+), (R2 ,+), (M2×2 ,+), (P2 ,+)
Ejemplo 8 Sea Z el conjunto de los números enteros y la operación binaria ⋆ definida por
a ⋆ b = a + b − 4.
Asumiendo que el sistema (Z,⋆) tiene estructura de grupo. Determine el elemento inverso de 5.
1.3 Campos
Definición 1.3.1 — Campo. [1, Definición 4.4] Considere el conjunto C de todos los números
complejos con su adición y multiplicación (definidas para C). Sea K un subconjunto de C, se
dice que K es un campo si:
1. (K,+) es un grupo abeliano
2. K es cerrado respecto a la multiplicación, es decir, si x1 y x2 están en K, entonces
x1 x1 ∈ K
3. El elemento 1 pertenece a K
4. Para cada elemento no-cero x ∈ K, el elemento x−1 (tal que xx−1 = 1) también está en K
∎
Primero note que C por sí mismo es un campo y que R también lo es. ¿Qué otros subconjuntos
de C son un campo?
2. Espacios Vectoriales
Un plano P2 es una colección de puntos y líneas sujetos a algunas restricciones y nos referimos
a él como espacio geométrico. En este momento, ese conjunto no tiene asociado ningún sistema
coordenado ni una álgebra. Es decir, no pueden ser sumados o multiplicados.
Vamos a recordar la noción de vector geométrico. Sea un punto arbitrario 0̄ fijo, llamado origen,
un vector geométrico es un segmento de línea dirigido que inicia en 0 y termina en un punto P de P2 .
Cada vector geométrico v tiene una magnitud ∣v∣ y una dirección, de tal forma que:
• Dos vectores geométricos son iguales si tienen la misma magnitud y la misma dirección.
• El vector geométrico 0̄ es un segmento de línea sin magnitud
Sea el conjunto de los vectores geométricos P2 y sean v̄1 y v̄2 ∈ P2 , se definen:
La operación binaria suma de vectores

geométricos (P2 ,+)
v̄1 + v̄2
por la regla dada en la Figura 2.1
Figure 2.1: Suma geométrica

12 Chapter 2. Espacios Vectoriales
Otra operación geométrica definida en P2

es la multiplicación por un escalar
α v̄1 ; α ∈R
cuya regla es mostrada en la Figura 2.2
Figure 2.2: multiplicación por un escalar
Puede mostrarse que el conjunto P2 de vectores geométricos tiene estructura de grupo abeliano.
En particular, la asociatividad se muestra geométricamente en la Figura 2.3
Figure 2.3: Asociatividad de la suma geométrica
Ahora bien, de una suposición elemental de geometría analítica, se sabe que dado el plano
geométrico, un origen y especificados dos ejes coordenados, un par de números reales
(x,y)
especifica un punto en el plano.
Es decir, hay una

correspondencia uno a
uno entre los vectores
geométricos y las
parejas ordenadas de
números reales:
R2 = {(a,b); a,b ∈ R}
Figure 2.4: Relación entre vector geométrico y pareja

ordenada
Así, podemos considerar al conjunto de todas las parejas ordenadas de números reales R2 y
dotarlo de una operación binaria adición dada por:
(x1 ,y1 ) + (x2 ,y2 ) = (x1 + x2 ,y1 + y2 ) (2.1)
El conjunto R2 con la operación de suma definida por (2.1) tiene estructura de grupo abeliano.
2.1 Espacios Vectoriales

Sean V un conjunto no-vacío y K un campo. Se dice que V es un espacio vectorial sobre un campo
K si existen dos operaciones llamadas adición y multiplicación por un escalar tales que:
• Para la adición o suma:
1. (V,+) es un grupo abeliano (5 axiomas)
• Para la multiplicación por un escalar:
1. (Cerradura en la multiplicación por un escalar) Existe un elemento único
α v̄ ∈ V; ∀α ∈ K y v̄ ∈ V
2. Distributividad entre vectores
α(ū + v̄) = α ū + α v̄; ∀α ∈ K y ū, v̄ ∈ V
3. Distributividad entre escalares
(α + β )v̄ = α v̄ + β v̄; ∀α,β ∈ K y v̄ ∈ V
4. Asociatividad entre escalares
α(β v̄) = (αβ )v̄; ∀α,β ∈ K y v̄ ∈ V

5. Para todo v̄ ∈ V se cumple que
1v̄ = v̄
A los elementos de V se le llaman vectores y los elementos de K son llamados escalares. Así, si
K = R, el espacio se dice ser un espacio vectorial real y si K = C, el espacio se dice ser un espacio
vectorial complejo.
Ejemplo 9 Ver ejercicios página 126 del libro de Godínez y Herrera [3]
Teorema 1 Sea V un espacio vectorial sobre un campo K, si ū ∈ V y α ∈ K, entonces:
1. 0ū = 0̄
2. (−1)ū = −ū
3. α 0̄ = 0̄
Para demostrar estas propiedades basta con aplicar los 10 axiomas que definen a los espacios
vectoriales.
Figure 2.5: Resumen espacios vectoriales
2.1.1 Subespacios
Una vez que se han establecido las condiciones bajo las cuales un conjunto no-vacío con su operación
binaria suma y su operación multiplicación por un escalar, forma un espacio vectorial, la pregunta
que surge es:
¿Un subconjunto de un espacio vectorial es un espacio vectorial?
Y la respuesta intuitiva debería ser no. Tome por ejemplo el espacio vectorial de los números
reales sobre el campo real y como subconjunto a los números naturales, los números naturales no
son un grupo porque no contienen al cero ni a los inversos aditivos, por lo tanto no es un espacio
vectorial. Así, surge la siguiente definición:

Definición 2.1.1 — Subespacio. Sea V un espacio vectorial sobre un campo K y sea W un
subconjunto de V, se dice que W es un subespacio de V si W también es un E.V. sobre K.
Cabe mencionar que W hereda las operaciones de adición y multiplicación por un escalar
definidas en V. Asimismo, la definición anterior implícitamente indica que no todo subconjunto de
un E.V. es un E.V., el siguiente teorema da las condiciones necesarias para que el subconjunto sea
subespacio:
Teorema 2 Sea V un espacio vectorial sobre un campo K y sea W un subconjunto de V, entonces
W es un subespacio si se cumplen las siguientes condiciones:
1. El idéntico 0̄ es un elemento de W.
2. Si w̄1 y w¯2 son elementos de W, entonces
w̄1 + w̄2 ∈ W
3. Si w̄1 ∈ W y α ∈ K, entonces
α w̄1 ∈ W
La prueba de este teorema puede encontrarse en [4]. Sin embargo, para dar una idea, si la
pregunta es ¿Cómo el Teorema 2 garantiza que los inversos están en W?, basta con observar lo
siguiente:
1. Si V es un E.V., por el Teorema 1 se cumple que
(−1)ū = −ū
2. Y si W es un subespacio de V, entonces por el punto 3 del Teorema 2 se cumple que α w̄1 ∈ W.

Lo anterior en particular es cierto para α = −1, por lo que
(−1)w̄ = −w̄ ∈ W
lo que significa que los inversos aditivos viven en W.

Ejemplo 10 Ejemplos de subespacios de R2 son todas las líneas rectas que pasan por el origen tipo:
W = {(x,y);y = mx, x ∈ R}
con m una constante.
Ejemplo 11 Ejemplos de subconjuntos de R2 que no son subespacios son todas las líneas rectas
que no pasan por el origen tipo:
W = {(x,y);y = mx + b, x ∈ R}
con m y b constantes.
Un conjunto de vectores que puede resultar de interés es el que surge de la intersección de dos
subespacios arbitrarios W1 y W2 sobre un campo K.
Teorema 3 — Theorem 4.7,[1]. Para cualesquiera dos subespacios W1 y W2 de un E.V. V sobre

un campo K, la intersección W1 ∩ W2 también es un subespacio de V.
La prueba del teorema anterior requiere de la satisfacción de las condiciones de subespacio dadas
en el Teorema 2 y puede consultarse en [1].
Ejemplo 12 — Ejemplos de subespacios. Ejercicio 30 pág. 169 en [3].
Ejemplo 13 — Final 25 de mayo de 2015. Determinar si el conjunto
W = {(x,y,z)∣x − y − z = 0; x,y,z ∈ R}
es un subespacio de R3 .
Así como cualquier línea recta que pasa por el origen es un subespacio de R2 , cualquier línea
y plano que contengan al origen son subespacios de R3 . Gráficamente es fácil imaginar que si se
tiene un plano y se suman dos vectores en el plano el resultado es otro vector en el plano y que si se
multiplica a un vector en el plano por un escalar, el resultado es otro vector en el plano. La Figura
ilustra el comentario anterior.
Ejemplo 14 — Ejemplos de subespacios. Ejercicio 2 pág. 115 en [1].
2.2 Espacio Vectorial de Funciones

La definición de espacio vectorial es más algebraica que geométrica; sin embargo, esta definición
abstracta está motivada y enmarcada para incluir las propiedades del espacio Rn = {(x1 ,x2 ,...,xn ); x1 ,...,xn ∈
R} que es la versión algebraica de los vectores geométricos (flechitas).
Así, si se considera el conjunto de polinomios de grado menor o igual a n con coeficientes
constantes Pn , tal que p(x) ∈ Pn es de la forma
p(x) = an xn + an−1 xn−1 + ... + a0 ,
con la suma entre polinomios y la multiplicación por un escalar usuales, se puede demostrar que el
conjunto Pn es un espacio vectorial real. Observe que en realidad Pn es un conjunto de funciones
polinomiales de x.
En un principio, el hecho de que exista un espacio vectorial formado por funciones polinomiales
de x puede resultar bastante extraño. Este espacio cuyos elementos son funciones parece distante de
la primitiva noción de espacio geométrico y sus vectores (las funciones) también parecen lejanas del
concepto de vectores geométricos. Sin embargo, el espacio vectorial de funciones es el más utilizado
en el análisis de sistemas físicos y su estudio permite unificar diversos fenómenos [1].
2.2.1 Variables físicas como funciones

En la ingeniería, estamos interesados en el estudio de las funciones porque:
1. Todo sistema físico tiene en común que evoluciona con el tiempo y
2. el comportamiento de las variables físicas que forman a un sistema (posición, fuerza, velocidad,
corriente eléctrica, voltaje, presión, flujo volumétrico, temperatura, etc.) puede ser representado
matemáticamente por una función que depende del tiempo f (t).
Para esto, antes de hablar de un grupo abeliano o de un espacio vectorial, pensemos en la

conceptualización física de las operaciones suma y multiplicación por un escalar. Las Figuras
2.6-2.11 muestran ejemplos para diferentes sistemas físicos donde se interpretan estas operaciones.
En los ejemplos que se muestran se observa que con estas operaciones se satisfacen además la
cerradura en la suma y la cerradura en la multiplicación por un escalar.
Sistemas hidráulicos
Figure 2.6: La suma de dos flujos genera Figure 2.7: Un flujo puede ser amplificado
otro flujo por medio de una bomba
Sistemas mecánicos
Figure 2.9: Una fuerza puede ser

Figure 2.8: La suma de dos fuerzas genera amplificada por una palanca (o por
otra fuerza engranes o por poleas)
Sistemas eléctricos
Figure 2.10: La suma de dos corrientes Figure 2.11: Una corriente puede ser
genera otra corriente amplificada por un transformador eléctrico.
Así, si asumimos que el flujo volumétrico, la fuerza y la corriente son variables que cambian
con el tiempo, entonces podemos representarlas por una función. Para tratar de generalizar nos
concentraremos en el conjunto de todas las funciones reales de variable real, es decir, aquellas cuyo
dominio, el tiempo, son los reales positivos y cuyo co-dominio son los números reales F ∶ R+ ↦ R.
2.3 Espacio vectorial de funciones

Una función real de variable real F ∶ R → R es una regla de correspondencia que asigna a cada
elemento x del dominio (subconjunto de los números reales) un único elemento f (x) del co-dominio
(que es otro número real). En otras palabras, el número real x es mapeado al número real f (x) el
cual cambia cuando x cambia, en cálculo se estudia esa tasa de cambio.
Así pues, considere el conjunto de todas las funciones valuadas reales F, es decir, aquellas cuyo
valor f (x) en cada x es un número en R, y defina a la función suma entre funciones ( f + g)(x) como
( f + g)(x) = f (x) + g(x) (2.2)
y a la función multiplicación por un escalar (α f )(x) como
α f )(x) = α f (x). (2.3)
Bajo estas condiciones, se puede demostrar que el conjunto F es un espacio vectorial sobre el campo
de los reales. El elemento idéntico aditivo es la función f (x) = 0 para todo x en el intervalo.
R Cabe mencionar, que si se requiere trabajar con funciones definidas en un intervalo abierto finito,
denotadas como F(a,b) para a < x < b, o bien en un intervalo infinito, escritas como F(−∞,∞),
el espacio vectorial correspondiente y sus operaciones se definen de manera análoga.
2.3.1 Subespacios de funciones

Los subconjuntos del espacio vectorial de funciones f ∶ R ↦ R que también son espacios vectoriales
son llamados subespacios de funciones. En todos los casos se cumplen la cerradura en la suma y en
la multiplicación por un escalar. Los siguientes son algunos ejemplos:
1. El subconjunto de F formado por todas las funciones continuas, denotadas como C0 es un subespacio
porque se puede demostrar que la suma de dos funciones continuas es una función continua y
que el producto de un escalar por una función continua es una función continua.
2. Se define a C1 como el subespacio de todas las funciones valuadas reales f (x) cuya primer
derivada f ′ (x) existe y es continua, es decir,
C1 = { f (x) ∈ F ∣ ∃ f ′ (x) y f ′ (x) ∈ C0 }.
Los siguientes son ejemplos de funciones cuya derivada existe y es continua:

• f (x) = sin(x), es derivable infinitas veces y su derivada es continua.
• f (x) = ex , es derivable infinitas veces y su derivada es continua.
Ahora bien, para demostrar que C1 es un subespacio se proponen dos funciones que vivan en
C1 , es decir f (x),g(x) ∈ C1 . Observe que:
• Si f (x) y g(x) son elementos de C1 entonces cumplen con las restricciones de C1 , por lo tanto
sus derivadas f ′ (x) y g′ (x) existen y son continuas, es decir, f ′ (x) y g′ (x) ∈ C0 .
– La pregunta de la cerradura en la suma es:
¿La función suma ( f + g)(x) pertenece a C1 ?,
esto es cierto si y sólo si ( f + g)′ (x) existe y también es una función continua, es decir si
( f + g)′ (x) ∈ C0 .
2.4 Combinación Lineal 21
Sin embargo, por propiedades de la derivada se puede afirmar que
( f + g)′ (x) = f ′ (x) + g′ (x)
por lo que la función ( f + g)′ (x) existe y es la suma de dos funciones continuas, por lo
tanto, también es continua, ( f + g)′ (x) ∈ C0 .
– La pregunta de la cerradura en la multiplicación por un escalar es:
¿La función (α f )(x) pertenece a C1 ?, con α un número real
Lo anterior es cierto si y sólo si su derivada (α f )′ (x) existe y es continua.

Otra vez, por propiedades de la derivada lo siguiente es cierto:
(α f )′ (x) = α f ′ (x),
es decir, la función (α f )′ (x) existe y es la multiplicación por un escalar de una función

continua, por lo que también es continua; cumpliéndose con esto la cerradura en la
multiplicación por un escalar.
Ejemplo 15 — Ejemplos de subespacios de Funciones. Ejercicios (a)-(g) página 114 del libro
[1]
2.4 Combinación Lineal
Hasta ahora se ha resuelto el problema de dado un conjunto y dos operaciones, determinar si el

conjunto es un E.V. sobre un campo. Ahora, el interés está en poder generar un espacio vectorial, a
partir de un conjunto finito de vectores. Sin embargo, para lograrlo es necesario establecer ¿cómo se
van a combinar a los vectores del conjunto finito?, lo anterior conlleva al concepto de combinación
lineal.
Definición 2.4.1 — Combinación Lineal. Sea V un espacio vectorial sobre un campo K y sea
{v̄1 ,..., v̄n } un conjunto finito de vectores en V. Un vector v̄ en V es llamado combinación lineal
de los vectores v̄1 , v̄2 ,..., v̄n si existen escalares α1 ,α2 ,...,αn ∈ K tales que:
v̄ = α1 v̄1 + α2 v̄2 + ... + αn v̄n (2.4)
Note que en la definición anterior sólo están involucradas las operaciones de suma entre vectores
y multiplicación por escalares, como en las cerraduras.
La Figura 2.12 muestra cómo es que el vector ē es combinación lineal de los vectores v̄ y ū, con
los escalares d = 1.5 y o = 2, es decir,
ē = 1.5v̄ + 2ū
Figure 2.12: Combinación lineal
R En algún sentido, se puede decir que el vector ē no es nuevo porque es generado al combinar a
ū y v̄.
Así, podemos decir que el vector v̄ = (5,−1) es combinación lineal de los vectores w̄1 = (4,2) y
w̄2 = (1,−3) porque
(5,−1) = 1(4,2) + 2(1,−3)
Evidentemente, el concepto aplica para cualquier espacio vectorial.
Ejemplo 16 Considere el E.V. P2 y el subconjunto formado por S = {x2 + 2x + 1,x2 + 2,x2 + x}.
Determine si el vector 2x2 + x + 5 es combinación lineal de los vectores en S
Solución. La pregunta de la combinación lineal se puede expresar de la siguiente forma:
¿Existen escalares α1 ,α2 ,α3 tales que
2x2 + x + 5 = α1 (x2 + 2x + 1) + α2 (x2 + 2) + α3 (x2 + x) (2.5)
es cierto? Si la respuesta es afirmativa, entonces 2x2 + x + 5 sí es combinación lineal de S. Para esto,
desarrollando el lado derecho de (2.5) se tiene que
2x2 + x + 5 = (α1 + α2 + α3 )x2 + (2α1 + α3 )x + (α1 + α2 )
2.5 Dependencia e Independencia Lineal 23
y para que la igualdad de polinomios se mantenga se tiene que
α1 + α2 + α3 = 2
2α1 + α3 = 1
α1 + α2 = 5
Existen diferentes métodos para darle solución al sistema de ecuaciones, por ejemplo por Gauss.
Así,
⎛1 1 1 2⎞ ⎛1 1 1 2⎞
⎜2 0 3 1⎟ ∼ ⎜0 1 −1 3 ⎟
⎝1 1 0 5⎠ ⎝0 0 1 −1⎠
de donde puede concluirse que

α1 = 1,α2 = 2 y α3 = −1
Como sí existe solución, entonces 2x2 + x + 5 sí es combinación lineal de los vectores en S.
R Observe que para resolver el problema también se pudo haber hecho el isomorfismo entre P2 y
R3 . En ese caso, el sistema de ecuaciones al que se hubiera llegado sería el mismo.
2.5 Dependencia e Independencia Lineal

A partir del Ejemplo 16 intuitivamente podríamos afirmar que el conjunto
G = {x2 + 2x + 1,x2 + 2,x2 + x,2x2 + x + 5}
es dependiente porque al menos se sabe que el vector 2x2 + x + 5 se puede formar a partir de la
combinación de los primeros tres. Esta intuición se formaliza en la siguiente definición:
Definición 2.5.1 Sea V un espacio vectorial sobre un campo K y sea S = {v̄1 ,..., v̄n } un
subconjunto finito de vectores de V. El conjunto S se dice ser Linealmente Dependiente (L.D.)
si existen escalares α1 ,...,αn ∈ K, no todos cero, tal que se satisface la siguiente ecuación de
dependencia lineal:
α1 v̄1 + α2 v̄2 + ... + αn v̄n = 0̄ (2.6)
Definición 2.5.2 Sea V un espacio vectorial sobre un campo K y sea S = {v̄1 ,..., v̄n } un
subconjunto finito de vectores de V. El conjunto S se dice ser Linealmente Independiente
(L.I.) si la única solución a la ecuación de dependencia lineal (2.6) es la trivial, es decir
α1 = α2 = ⋯ = αn = 0
Un ejemplo muy simple es el siguiente:

Ejemplo 17 Determine si el conjunto S = {(1,3),(2,6)} es linealmente dependiente o linealmente
independiente.
Solución. Es un ejemplo muy simple porque “a simple ojo” puede verse que si se multiplica al
vector (1,3) por el escalar α = 2 entonces se obtiene a (2,6). En otras palabras, (2,6) es combinación
lineal de (1,3), por lo que el conjunto debe ser L.D. Para corroborar esta intuición, se puede escribir
la ecuación de dependencia lineal para el conjunto S, con lo que se tiene:
α1 (1,3) + α2 (2,6) = (0,0)

(α1 + 2α2 ,3α1 + 6α2 ) = (0,0)
que también es
α1 + 2α2 = 0
3α1 + 6α2 = 0
cuya solución puede encontrase como
1 2 1 2
( )∼( )
3 6 0 0
por lo que la solución al sistema es α1 = −2α2 , con α2 ∈ R. Entonces, ¿el conjunto S es L.D. ó L.I.?
Como la ecuación de dependencia lineal admite muchas soluciones, entonces el conjunto es L.D.
El siguiente teorema presenta alunas propiedades de los conjuntos L.D. y L.I.

Teorema 4 Sea un espacio vectorial V sobre un campo K, se cumplen las siguientes afirmaciones:
1. Todo conjunto que contenga al vector 0̄ es L.D.
2. Cualquier conjunto formado por un solo vector, diferente del vector cero, es L.I.
3. Cualquier subconjunto de un conjunto L.I. es L.I.
4. Cualquier conjunto que contenga a un subconjunto L.D. es L.D.
La prueba formal de este teorema puede encontrarse en [4], Teoremas IX.2.4 y IX.2.5.
Observe el siguiente ejemplo:
Ejemplo 18 Determine si el conjunto S = {(1,2,−5),(1,0,2),(2,2,−3)} es linealmente dependiente
o linealmente independiente.
Antes de escribir la ecuación de dependencia lineal trate de adelantarse a la respuesta, observando
al conjunto el vector (2,2,−3) es la suma de los dos primeros, por lo tanto, el conjunto debe ser L.D.
Ahora bien, forme una matriz donde cada renglón es un vector del conjunto, es decir:
v̄1 ⎛ 1 2 -5 ⎞
v̄2 ⎜ 1 0 2 ⎟
v̄3 ⎝ 2 2 −3 ⎠
para esta matriz haremos operaciones elementales con sus renglones, esto significa: sumas entre los
vectores y multiplicaciones por escalares, por lo que en realidad lo que se haría son combinaciones
lineales con los vectores del conjunto S
v̄1 ⎛ 1 2 −5 ⎞ v̄1 ⎛ 1 2 −5 ⎞ v̄1 ⎛ 1 2 −5 ⎞

v̄2 ⎜ 1 0 2 ⎟∼ −v̄1 +v̄2 ⎜ 0 −2 7 ⎟∼ v̄1 (−1)+v̄2 ⎜ 0 −2 7 ⎟
v̄3 ⎝ 2 2 −3 ⎠ v̄3 ⎝ 2 2 −3 ⎠ v̄1 (−2)+v̄3 ⎝ 0 −2 7 ⎠
en este momento de la reducción ya puede verse claramente que el conjunto es Linealmente

Dependiente. Más aún, si se sigue con la reducción se tiene que
v̄1 ⎛ 1 2 −5 ⎞
∼ v̄1 (−1)+v̄2 ⎜ 0 −2 7 ⎟
v̄1 +v̄2 −v̄3 ⎝ 0 0 0 ⎠
por lo que se concluye que:

1. Al hacer combinaciones lineales con los vectores del conjunto aparece el vector cero y como
cualquier conjunto que contenga al vector cero es L.D., entonces el conjunto S es L.D.
2. La suma v̄1 + v̄2 − v̄3 = 0̄, es decir que v̄3 = v̄1 + v̄2
3. Con este método, a partir del conjunto L.D.
S1 = {(1,2,−5),(1,0,2),(2,2,−3)}
se obtuvo uno “equivalente” que es L.I.
S2 = {(1,2,−5),(0,−2,7)}
El lector se preguntará ¿en qué sentido S1 y S2 son equivalentes? Son equivalentes en el sentido
de que generan al mismo espacio vectorial. En la siguiente sección se presenta el concepto de
generador, pero antes de seguir con este concepto, permita enunciar los pasos para determinar la
dependencia o independencia lineal de un conjunto por el método del ejemplo.
1. Dado un conjunto S de vectores en un espacio vectorial V utilice un isomorfismo f ∶ V → Rn
para expresar al conjunto como vectores en Rn .
2. Forme una matriz donde cada renglón sea un vector del conjunto S.
3. Realice operaciones elementales con los renglones (equivalente a hacer combinaciones lineales
de los vectores).
4. Si después de reducir la matriz aparece el “vector cero” entonces el conjunto es Linealmente
Dependiente. Si la matriz puede escalonarse sin que ningún renglón se haga cero, entonces el
conjunto es Linealmente Independiente.
Ejemplo 19 Determine si el conjunto A = {(2 − i,−1 − 4i),(4 − i,1 − 6i),(i,3 + 2i),(1,1 − i)} es
linealmente dependiente o linealmente independiente.
Tarea: Determine el(los) valor(es) de k que hacen que el conjunto S = {(k−1,k+1),(k+1,k−1)}
sea linealmente independiente.
2.6 Generadores y Bases de Espacios Vectoriales

En la Sección 2.4 se estableció cuándo un vector es combinación lineal de otros, de hecho, la
definición indica que un vector v̄ es combinación lineal de los vectores v̄1 , v̄2 ,..., v̄n si existen
escalares α1 ,α2 ,...,αn tales que:
v̄ = α1 v̄1 + α2 v̄2 + ... + αn v̄n
Esta expresión,puede interpretarse como que “la suma de vectores, multiplicados por escalares,
genera un vector”, de hecho, si los escalares α1 ,α2 ,...,αn ∈ R “barren” a todos los reales, no sólo
se genera a un vector, sino a infinitos. Esto da pie a hablar de conjuntos generadores y de espacios
generados.
Definición 2.6.1 Sea S un subconjunto de vectores en un E.V. V. El conjunto de todos los
vectores en V que son combinaciones lineales de los vectores en S es llamado conjunto generado
por S.
La definición anterior dice que el conjunto S es un generador del E.V. W si cualquier vector en
W es combinación lineal de los vectores en S.
El siguiente teorema dice que si se combinan linealmente a un conjunto de vectores, entonces la
combinación es un subespacio. Esto debería hacer mucho sentido porque la forma de combinarlos es
por medio de sumas y multiplicaciones por escalares, por lo que se van a satisfacer las cerraduras;
más aún, puede verificarse que se genera al “cero” haciendo los escalares cero.
Teorema 5 Sea {v̄1 ,..., v̄n } un conjunto finito de vectores en un espacio vectorial V sobre un campo
K. Entonces el conjunto W generado por {v̄1 ,..., v̄n } es un subespacio de V.
Ejemplo 20 Determine el espacio generado por el conjunto S = {(1,2)}
Ejemplo 21 Determine el espacio generado por el conjunto S = {(1,2),(2,4)}

¿Por qué el espacio generado por el Ejemplo 20 es el mismo que el generado por el Ejemplo
21? Aún cuando en el Ejemplo 21 se tienen dos vectores, el espacio generado es el mismo porque el
vector (2,4) no da una dirección nueva, en otras palabras (2,4) es combinación lineal de (1,2).
De estos ejemplos, el lector podría sacar la siguiente conclusión sobre el espacio R2 :
• Si se tiene un conjunto con un solo vector en R2 entonces se genera un subespacio representado
geométricamente por una línea recta, que pasa por el origen, en la dirección de ese vector.
¿Se puede generar un plano en R2 ?... El único plano que admite R2 es R2 mismo! y se necesita
un conjunto con dos vectores linealmente independientes.
Ejemplo 22 Proponga tres ejemplos de generadores de R2 .
Ahora bien, considere, como otro ejercicio, el espacio vectorial R3 y el subconjunto dado por
G = {(1,2,3),(1,1,1)}
antes de preguntarse ¿cuál el espacio generado? conviene analizar al conjunto:

• ¿Cuántos vectores tiene el conjunto?
• ¿Los vectores son linealmente independientes? Porque...
– Si son L.I. espero que genere un plano que contiene al origen en R3
– Si son L.D. significaría que ambos están en la misma dirección y entonces sólo pueden
generar a una línea recta en R3
Una vez determinado que el conjunto G tiene dos vectores L.I. y que por lo tanto deben generar un
plano, determine ¿cuál es el plano generado? Y la respuesta debe ser: la combinación lineal de los
vectores en G
Espacio generado: Opción 1. Se sabe que deben generar un subespacio de R3 ,
(x,y,z) = α(1,2,3) + β (1,1,1)

= (α + β ,2α + β ,3α + β )
⇒ x = α +β
y = 2α + β
z = 3α + β
Resolviendo el sistema de ecuaciones:
⎛1 1 x⎞ ⎛1 1 x ⎞ ⎛1 1 x ⎞
⎜2 1 y⎟ ∼ ⎜0 −1 −2x + y⎟ ∼ ⎜0 1 2x − y ⎟
⎝3 1 z⎠ ⎝0 −2 −3x + z⎠ ⎝0 0 4x − 2y − 3x + z⎠
⇒ x − 2y + z = 0
por lo que el espacio generado W es el plano en R3
W = {(2y − z,y,z);y,z ∈ R}
o también expresado como:

W = {(x,y,−x + 2y);x,y ∈ R}
Espacio generado: Opción 2. También se pudo haber encontrado primero un conjunto equivalente
a G = {(1,2,3),(1,1,1)}. Sin embargo, hay que tener en mente que, dado que G es L.I., G no se
podrá reducir a tener menos de dos vectores. Así pues,
1 2 3 0 1 2 0 1 2
( )∼( )∼( )
1 1 1 1 1 1 1 0 −1
Es decir, el conjunto G2 = {(0,1,2),(1,0,−1)} genera lo mismo que el conjunto G. Esto puede

verse haciendo:
(x,y,z) = α(0,1,2) + β (1,0,−1)

= (β ,α,2α − β )
⇒x=β
y=α
z = 2α − β
por lo que z = 2y − x, que es la misma restricción obtenida por la primer opción, es decir, el espacio
generado es
W = {(x,y,2y − x);x,y ∈ R}
Ejemplo 23 Determine un generador del subespacio de R3
W = {(x,y,2y − x);x,y ∈ R}
Intuitivamente se sabe que es un E.V. de dimensión dos. Es decir, debe proponerse un conjunto
que al menos tenga dos vectores que vivan en W y sean L.I. Para obtener estos vectores de valores a
los escalares de x = 1,y = 0 y luego x = 0,y = 1
Si x = 1,y = 0 ⇒ (1,0,−1)
Si x = 0,y = 1 ⇒ (0,1,2)
Ahora observe que

(x,y,2y − x) = x(1,0,−1) + y(0,1,2)
con los escalares x,y ∈ R. Por lo que el conjunto G = {(1,0,−1),(0,1,2)} es un generador de W.
¿Es el único? No, hay infinitos generadores, otros pueden ser:
• {(5,0,−5),(0,1,2)}
• {(5,0,−5),(0,2,4)}
• {(1,0,−1),(0,1,2),(1,1,1)}
• {(1,0,−1),(0,1,2),(1,1,1),(8,8,8)}
• {(1,0,−1),(0,1,2),(1,1,1),(8,8,8),(2,0,−2),(0,5,10)}
Conclusiones:
1. Los generadores no son únicos.
2. Los generadores pueden ser L.D. por lo tanto, pueden tener diferente número de
elementos.
2.6.1 Bases y dimensión

La siguiente definición dice que una base es un generador pero L.I.
Definición 2.6.2 — Base. Sea V un espacio vectorial sobre un campo K, una base de V es un
conjunto de elementos en V que genera a V y que es Linealmente Independiente.
Así como hay infinitos generadores para un mismo espacio, existen infinitas bases, pero como se
le pide a la base ser L.I. entonces todas las bases tienen el mismo número de elementos, entonces se
define la dimensión de un E.V. como el número de elementos que tiene su base.
Toda base es generador pero no todo generador es base.
Ejemplo 24 Determine cuáles de los generadores del Ejemplo 23 son bases

Son bases de W = {(x,y,2y − x);x,y ∈ R}:
• {(1,0,−1),(0,1,2)}
• {(5,0,−5),(0,1,2)}
• {(5,0,−5),(0,2,4)}
aunque de la lista de generadores se puede obtener que también son bases:
• {(1,0,−1),(0,1,2)}
• {(0,1,2),(1,1,1)}
• {(8,8,8),(2,0,−2)}
La dimensión de W es dos y se denota como
dim{W} = 2
R Observe que si del Ejemplo del Ejemplo 23 tomamos al conjunto

{(1,1,1),(8,8,8)}
este NO es una base de W, porque le falta una dirección independiente. Este conjunto es un
generador pero del subespacio
W2 = {(x,x,x);x ∈ R}
Ejemplo 25 Determine dos bases del espacio vectorial real P2 = {ax2 + bx + c;a,b,c ∈ R}
Intuitivamente se sabe que dim{P2 } = 3, por lo que sus bases deben tener 3 vectores que vivan
en P2 y que sean L.I. Dando valores a los escalares1 de unos y ceros, se tiene que
B = {x2 ,x,1}
El conjunto B es una base porque su combinación lineal genera a P2 :
ax2 + bx + c = a(x2 ) + b(x) + c(1)
y porque es linealmente independiente. Lo último se puede ver con el isomorfismo a R3 ,
⎛1 0 0⎞
B = {x ,x,1} ⇒ ⎜0 1 0⎟
2
⎝0 0 1⎠
puesto que la matriz ya no puede reducirse más. Ahora bien, ¿qué otra base diferente podemos
proponer? cualquier conjunto de tres polinomios en P2 linealmente independiente es una base de P2 ,
por lo que sólo hay que tener cuidado en que sean L.I.2 Por ejemplo:
⎛1 0 1⎞
• B2 = {x + 1,x,1} ⇒ ⎜0 1 0⎟
2
⎝0 0 1⎠
⎛5 0 0⎞
• B3 = {5x2 ,x,8} ⇒ ⎜0 1 0⎟
⎝0 0 8⎠
⎛1 0 1⎞ ⎛1 0 1 ⎞ ⎛1 0 1 ⎞ ⎛1 0 1⎞ ⎛1 0 0⎞
• B4 = {x +1,x +2x,x+8} ⇒ ⎜1 2 0⎟ ∼ ⎜0 2 −1⎟ ∼ ⎜0 0 −17⎟ ∼ ⎜0 0 1⎟ ∼ ⎜0 0 1⎟
2 2
⎝0 1 8⎠ ⎝0 1 8 ⎠ ⎝0 1 8 ⎠ ⎝0 1 8⎠ ⎝0 1 0⎠
Es más o menos evidente que B2 y B3 son bases de P2 en cambio, “aventurarse” a proponer así a B4
implicaría tener la seguridad de que son 3 vectores L.I.
Ejemplo 26 Obtenga una base del E.V. de matrices de 2 × 2 dado por:
a b
M2 = {[ ]; a,b,c,d ∈ R}
c d
1
ver Ejemplo 23
2
Significa que cuando pongamos sus renglones en una matriz y se hagan operaciones elementales NO aparezca el
vector cero
Ejemplo 27 Obtenga una base del subespacio de matrices dado por:
a b
N = {[ ]; a,b ∈ R}
0 −a
Teorema 6 Si S = {v̄1 ,..., v̄n } es una base del espacio vectorial V, entonces todo conjunto que
contenga a más de n vectores de V es linealmente dependiente.
Ejemplo 28 Realice el ejercicio 20 del Libro [3], página 142.
2.7 Coordenadas de Vectores
La Figura 2.13 presenta gráficamente a una base de R2 ,
B = {v̄1 , v̄2 }
y se muestra al vector v̄ como combinación lineal esta base, es decir
v̄ = 2v̄1 + 1.5v̄2
De geometría analítica podríamos decir que las coordenadas del vector v̄ son los escalares 2 para x
y 1.5 para y. Sin embargo, la elección de los ejes coordenados es arbitraria y como ya vimos B no es
la única base de R2 , hay infinitas, otra es la que se muestra en rojo en la Figura 2.13
A = {w̄1 , w̄2 }
y también podemos expresar al mismo vector v̄ como combinación de la base A,
v̄ = α w̄1 + β w̄2
En este caso decimos que las coordenadas de v̄ respecto a la base A son los escalares α y vβ . Esto
permite introducir el concepto de vector de coordenadas.
2.7 Coordenadas de Vectores 31
Figure 2.13: El vector v̄ en el plano no cambia, lo que cambian son los ejes coordenados formados
por dos bases B = {v̄1 , v̄2 } y A = {w̄1 , w̄2 }.
Teorema 7 Sea B = {v̄1 ,..., v̄n } una base de un espacio vectorial V sobre K y sea v̄ un vector
arbitrario de V , entonces el vector v̄ puede representarse como:
v̄ = α1 v̄1 + ... + αn v̄n
donde los escalares están determinados de manera única.
Definición 2.7.1 Sea B = {v̄1 ,..., v̄n } una base de V y sea v̄ un vector arbitrario de V, entonces,
la única n-ada ordenada de elementos en el campo
⎡α1 ⎤
⎢ ⎥
⎢α ⎥
⎢ ⎥
[v̄]B = ⎢ 2 ⎥
⎢ ⋮ ⎥
⎢ ⎥
⎢αn ⎥
⎣ ⎦
tales que
v̄ = α1 v̄1 + ... + αn v̄n
es llamada vector de coordenadas del vector v̄ respecto a la base B y se denota como [v̄]B .
Ejemplo 29 Sean A = {x,1} y B = {2,3 + x} dos bases del espacio vectorial P1 . Encontrar (a)el
vector de coordenadas de r̄ = −2x + 5 respecto a la base A y (b)el vector de coordenadas de r̄ respecto
−3
a la base B. (c)Si [m̄]B = [ ], determine quién es el vector m̄.
2
Solución (a). Lo que se pide primero son los escalares tales que, multiplicados por la base A y
sumados dan como resultado el vector r̄, es decir:
−2x + 5 = α(x) + β (1)
Sin embargo, puede verse claramente que si α = −2 y β = 5, entonces la igualdad anterior se cumple,
por lo que puede concluirse que las coordenadas de r̄ respecto a la base A son:
−2
[r̄]A = [ ]
5
Solución (b). Ahora se piden los escalares tales que, multiplicados por la base B y sumados dan
como resultado el vector r̄, es decir:
−2x + 5 = α(2) + β (3 + x)
= β x + 2α + 3β
⇒β = −2
2α + 3β = 5;
5
⇒α =
2
donde se ha usado la igualdad de polinomios. Por lo tanto, las coordenadas de r̄ respecto a la base B
son:
5
[r̄]B = [ 2 ]
−2
−3
Solución (c). Ahora como tenemos las coordenadas [m̄]B = [ ] y la base B = {2,3 + x} es posible
2
encontrar a m̄ como
m̄ = −3(2) + 2(3 + x) ⇒ m̄ = x
2.8 Matriz de transición

En el área de robótica, los movimientos tienen como base el establecimiento de diferentes sistemas
de coordenadas para representar posiciones y orientaciones de los objetos3 . Por ejemplo, en la Figura
2.14 se presenta el robot llamado SCARA, el espacio de trabajo de este robot, es decir, el espacio
físico al cual el robot puede acceder con su punta o efector final, se muestra en la Figura 2.15. El
objetivo es que el efector final del robot realice alguna tarea o en específico que siga una trayectoria4 .
3
En la Sección ?? se presenta un resumen de la aplicación.
4
Video: https://www.youtube.com/watch?v=5ndaQwn15ng
Para lograr este objetivo es necesario

saber controlar los motores que mueven
a cada articulación, este es un proceso
elaborado que está basado en el
modelo matemático del robot y como
en cualquier intento de interpretación
de la realidad se realiza primero
una especie de diagrama de cuerpo
libre, descomponiendo al robot en
articulaciones que retratan diferentes
movimientos, algunas giran y otras se
desplazan (ver Figura 2.16).
Figure 2.14: Robot SCARA epson
Así, en la Figura 2.15, se representan a las articulaciones por medio de cilindros si el movimiento
es rotacional y como cubos si es un movimiento lineal5 . Ahora bien, para el análisis se asocia a
cada articulación un sistema de coordenadas. En este caso, es de interés la posición del efector final
respecto al sistema de coordenadas de cada una de las articulaciones.
Figure 2.16: Movimiento del

robot (tomado de http://www.
intorobotics.com/)
Figure 2.15: Robot SCARA epson
El objetivo es entonces tener una herramienta matemática que permita establecer un cambio de
base (o cambio de coordenadas) entre dos vectores. Esta herramienta es la llamada matriz de cambio
de base o matriz de transición.
2.8.1 Obtención de la matriz de transición

Por simplicidad, en esta subsección se obtendrá la matriz de transición para un espacio de dimensión
dos, posteriormente se generalizará al caso de dimensión n.
5
Video: https://www.youtube.com/watch?v=z8mqyH3rej4
Considere un espacio vectorial V de dimensión dos, a dos bases de V:

A = {ā1 , ā2 } y B = {b̄1 , b̄2 }
y a un vector arbitrario v̄ ∈ V. Observe que como A y B son bases de V, entonces:
H1. Los vectores ā1 , ā2 , b̄1 , b̄2 pertenecen a V.
H2. El conjunto {ā1 , ā2 } es linealmente independiente.
H3. El conjunto {b̄1 , b̄2 } es linealmente independiente.
H4. Cualquier vector que pertenece a V se puede escribir como combinación lineal de la base
A = {ā1 , ā2 }.
H5. Cualquier vector que pertenece a V se puede escribir como combinación lineal de la base
B = {b̄1 , b̄2 }.
Como se cumple H.1 y H.5, entonces podemos escribir que:
ā1 = α1 b̄1 + α2 b̄2 (2.7a)
ā2 = β1 b̄1 + β2 b̄2 (2.7b)
con αi y βi , para i = 1,2 elementos del campo. Es decir, estamos relacionando los vectores de la base
A con los de la base B. De manera que también es cierto que
α1 β
[ā1 ]B = [ ] y [ā2 ]B = [ 1 ] (2.8)
α2 β2
Ahora bien, como el objetivo es que las coordenadas de un vector arbitrario se puedan cambiar
de base, recuperamos al vector arbitrario v̄ ∈ V y asumimos que conocemos sus coordenadas respecto
a las base A y son:
k
[v̄]A = [ 1 ] (2.9)
k2
La ecuación (2.9) implica que el vector v̄ es
v̄ = k1 ā1 + k2 ā2 (2.10)
Observe que hasta ahora tenemos las coordenadas del vector v̄ respecto a la base A, para relacionar
a v̄ con la base B se puede sustituir en (2.10) los valores de ā1 y ā2 de (2.7), con lo que se tiene que:
v̄ = k1 (α1 b̄1 + α2 b̄2 ) + k2 (β1 b̄1 + β2 b̄2 ) (2.11a)
= (k1 α1 + k2 β1 ) b̄1 + (k1 α2 + k2 β2 ) b̄2 (2.11b)
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¸ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶ ´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¸ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶
escalar1 escalar2
La Ecuación (2.11b) muestra al vector v̄ como combinación lineal de los vectores de la base B, por
lo que de esta ecuación puede inferirse que
k1 α1 + k2 β1
[v̄]B = [ ] (2.12)
k1 α2 + k2 β2
Note que [v̄]B también puede escribirse como la multiplicación:
α1 β1 k1
[v̄]B = [ ] [ ] = MBA [v̄]A (2.13)
α2 β2 k2
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶ ±
MA [v̄]A
B
es decir, la relación entre las coordenadas del vector v̄ respecto a la base B con las coordenadas de v̄
respecto a la base A está dada por una matriz MBA llamada matriz de transición de la base A a la base
B que como puede verse en (2.13) se forma por columnas y a su vez, cada columna es un vector de
coordenadas6 , es decir:
MBA = [[ā1 ]B ⋮[ā2 ]B ] (2.14)
En general, se tiene lo siguiente
Definición 2.8.1 Sea V un espacio vectorial de dimensión n sobre un campo K y sean
A = {ā1 , ā2 ,..., ān } y B = {b̄1 , b̄2 ,..., b̄n }
dos bases de V y sea [āi ]B ∈ Rn el vector de coordenadas de āi respecto a la base B entonces, se
define a la matriz de transición de la base A a la base B como
MBA = [[ā1 ]B ⋮ [ā2 ]B ⋮ ⋯ ⋮[ān ]B ] ∈ Rn×n (2.15)
y es tal que
[v̄]B = MBA [v]A (2.16)
R Las siguientes son observaciones:

• Note que en la igualdad
[v̄]B = MBA [v̄]A
±
dato
se da como dato las coordenadas de v̄ respecto a la base A y se obtienen las coordenadas
de v̄ respecto a la base B, por eso va de A-a-B.
• La matriz MBA es de n × n y se forma por columnas, en cada columna hay un vector de
coordenadas.
R También es posible encontrar la matriz de transición de la base B a la base A, como sigue:
MAB = [[b̄1 ]A ⋮ [b̄2 ]A ⋮ ⋯ ⋮[b̄n ]A ] ∈ Rn×n (2.17)

tal que
[v̄]A = MAB [v̄]B
±
dato
Y se cumple que
−1
MAB = (MBA ) (2.18)
Ejemplo 30 Considere el espacio vectorial R2 y dos de sus bases A = {(6,3),(10,2)} y B =

{(2,0),(0,−1)}. Encuentre la matriz de transición de la base A a la base B
6
Observe que cada columna está definida en la Ecuación (2.8)
Solución: Recuerde que

MBA = [[ā1 ]B ⋮[ā2 ]B ]
1. Encontrar las coordenadas de los elementos de la base
A = { (6,3) ,(10,2)}
² ´¹¹ ¹ ¸¹¹ ¹ ¹ ¶
ā1 ā2
respecto a la base B. Es decir, se requieren:
[ā1 ]B = [(6,3)]B y [ā2 ]B = [(10,2)]B
Para encontrar las coordenadas, es necesario buscar los escalares que cumplan con la siguiente
combinación lineal:
(6,3) = α1 (2,0) +α2 (0,−1) = (2α1 ,−α2 )

² ² ´¹¹ ¹ ¹ ¸¹ ¹ ¹ ¹ ¶
ā1 b̄1 b̄2
(10,2) = β1 (2,0) +β2 (0,−1) = (2β1 ,−β2 )
´¹¹ ¹ ¸¹¹ ¹ ¹ ¶ ² ´¹¹ ¹ ¹ ¸¹ ¹ ¹ ¹ ¶
ā2 b̄1 b̄2
por lo que
2α1 = 6 ⇒ α1 = 3
−α2 = 3 ⇒ α2 = −3
2β1 = 10 ⇒ β1 = 5
−β2 = 2 ⇒ β2 = −2
Entonces,
3 5
[ā1 ]B = [(6,3)]B = [ ] y [ā2 ]B = [(10,2)]B = [ ]
−3 −2
Finalmente, sustituyendo en MBA se tiene que
6 5
MBA = [ ]
3 −2
Ejemplo 31 Considere el espacio vectorial P2 y dos de sus bases
A = {x2 ,x,1} y B = {x2 ,x2 + x,x2 + x + 1}
Obtener las matrices de transición de la base A a la base B (MBA ) y la matriz de transición de la base
B a la base A (MAB ).
2.9 Espacio renglón y espacio columna

Para introducir el problema del espacio renglón y el espacio columna resulta pertinente iniciar con la
solución de un sistema de ecuaciones lineales.
2.9.1 Solución de un sistema de ecuaciones

Dado un sistema de ecuaciones lineales, existen, varias maneras de solucionarlo [5], por ejemplo:
• Forma matricial
• Dibujo por renglones
• Dibujo por columnas
En esta sección es de interés el dibujo por columnas.
Ejemplo 32 Encuentre la solución al siguiente sistema de dos ecuaciones con dos incógnitas:
2x − y = 0 (2.19a)
−x + 2y = 3 (2.19b)
El sistema (2.19) en forma matricial es
2 −1 x 0
[ ][ ] = [ ] (2.20)
−1 2 y 3
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶
A
Caso: Dibujo por renglones. Se toman uno por uno los renglones de la matriz de coeficientes,
es decir, las ecuaciones (2.19a)-(2.19b), y se dibujan todos los puntos que satisface cada ecuación
como se muestra en la Figura 2.17
Figure 2.17: Dibujo renglones
donde puede verse que el punto I(x,y) que satisface ambas ecuaciones es I(1,2), por lo que la
solución al sistema de ecuaciones es
x=1
y=2
Caso: Dibujo por columnas. Ahora pensemos en las columnas de la matriz A y en cómo estas
columnas están relacionadas con la ecuación:
2 −1 x 0
[ ][ ] = [ ] (2.21)
−1 2 y 3
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶
A
R Recuerde que la multiplicación de una matriz por un vector puede realizarse de la siguiente
forma:
1 2 5 1 2
[ ][ ] = 5[ ] + 3[ ]
3 4 3 3 4
5 6
= [ ]+[ ]
15 12
11
=[ ]
27
La Ecuación (2.21) puede ser reescrita entonces como

2 −1 x 2 −1 0
[ ][ ] = x [ ] + y[ ] = [ ] (2.22)
−1 2 y −1 2 3
y puede re-interpretarse como la siguiente pregunta:
¿Existen escalares x y y tal que el vector (0,3) puede escribirse como combinación lineal del
conjunto {(2,−1),(−1,2)}?
Y la respuesta sería:
Sólo si el vector (0,3) vive en el espacio generado por el conjunto {(2,−1),(−1,2)}, o en

otras palabras sólo si el vector (0,3) vive en el espacio generado por las columnas de la
matriz A
Note que con esto hemos convertido el problema de la solución de un sistema de ecuaciones en
un problema de álgebra lineal7 . Y se llama dibujo por columnas porque si la matriz es de 2 × 2 o
de 3 × 3 podemos representar a sus columnas como vectores de R2 o de R3 y ¡dibujarlas!
En general, lo anterior puede expresarse como
Teorema 8 Considere un sistema de n ecuaciones con n incógnitas representado por:
Ax̄ = ȳ, (2.23)

con A ∈ Rn×n la matriz de coeficientes, x ∈¯Rn un vector de incógnitas y ȳ ∈ Rn . El sistema (2.23)
tiene solución si y sólo si el vector ȳ pertenece al subespacio de Rn generado por las columnas de la
matriz A.
7
De hecho, en sus orígenes, el álgebra lineal se encargaba sólo de estudiar las propiedades de sistemas de ecuaciones
lineales.
Definición 2.9.1 Considere una matriz A ∈ Rn×m . Note que las columnas de A forman un
subconjunto de Rn y que los renglones de A forman un subconjunto de Rm .
• Al espacio vectorial generado por la combinación lineal de las columnas de A se le conoce
como espacio columna y usualmente se le denota como Lc (A).
• Al espacio vectorial generado por la combinación lineal de los renglones de A se le conoce
como espacio renglón y usualmente se le denota como Lr (A).
Ejemplo 33 Usando el concepto de espacio columna, determine si el sistema de ecuaciones
2x − y = 0 (2.24a)
−4x + 2y = 3 (2.24b)
tiene solución.
Solución: En este caso, el sistema de ecuaciones en su forma matricial puede ser escrito como
2 −1 x 0
[ ][ ] = [ ]
−4 2 y 3
Un generador del espacio columna son las columnas de la matriz, es decir,
G = {(2,−4),(−1,2)}
Observe que este generador es linealmente dependiente porque (2,4) = −2(−1,2). Por lo que una
base del espacio columna es
B = {(1,−2)}
y su espacio generado (espacio columna) es
Lc = {(a,−2a)}
Como el vector (0,3) no cumple con la restricción del espacio Lc , entonces el sistema no tiene
solución.
3. Transformaciones Lineales
El concepto de transformación es una generalización del de función, sólo que en este caso, en lugar
de mapear a los elementos de conjuntos, las transformaciones mapean espacios vectoriales. De
hecho, una función es un caso particular de una transformación del espacio vectorial de los números
reales a los números reales. Muchos de los conceptos vistos en funciones se abordarán en este
capítulo por lo que es de esperarse que para el lector no sean conceptos completamente nuevos
3.1 Definición de transformación. Dominio y co-dominio

Recuerde que en clase de cálculo se definió el concepto de función de la siguiente forma: Sean A
y B dos conjuntos de números reales, una función f asigna a cada cada elemento a ∈ A un único
elemento b ∈ B por medio de una regla de correspondencia. Es decir, se define f ∶ A → B tal que para
todo a ∈ A existe un único
f (a) = b ∈ B;
donde b recibe el nombre de imagen de a. Al conjunto A se le llama dominio y a B co-dominio de la
función. Más aún, el conjunto de todas las imágenes es conocido como el rango o recorrido de la
función.
En el mismo sentido, se define una transformación:
Definición 3.1.1 — Transformación, [1]. Sean V y W dos espacios vectoriales. Una transformación
T desde el espacio V al espacio vectorial W es una regla de correspondencia tal que a cada
elemento v̄ ∈ V le asocia uno y sólo un elemento w̄ ∈ W. Es decir, se define T ∶ V → W tal que
para todo v̄ ∈ V existe un único
T (v̄) = w̄ ∈ W
donde w̄ recibe el nombre de imagen de v̄ bajo la transformación T . Al espacio vectorial V se
le llama dominio y a W co-dominio de la transformación. Más aún, el conjunto de todas las
imágenes es conocido como el rango o recorrido de la transformación.
En este momento, el concepto de transformación es muy libre, en el sentido de que bastan

42 Chapter 3. Transformaciones Lineales
dos espacios vectoriales y una regla de correspondencia para definirla. Así, son ejemplos de
transformaciones:
1. T ∶ R → R dada por
T (x) = 2x + 1
2. T ∶ R → R dada por
T (x) = sen(x) + ex
Observe que estas dos transformaciones en realidad son las funciones reales que vimos en
Cálculo I. Dominio: R, Codominio: R, por lo que toman un real x y lo transforman en otro
real siguiendo la regla de correspondencia.
3. T ∶ R2 → R dada por
T (x,y) = 5x + 3y
² ´¹¹ ¹ ¸¹ ¹ ¹ ¶
pareja real
Dominio: R2 , Co-dominio: R. Toma una pareja ordenada y regresa un número real que es
cinco veces la primer coordenada más tres veces la segunda. Por ejemplo, si quisiera aplicarle
la regla a la pareja (4,−1), tendría
T (4,−1) = 5(4) + 3(−1) = 17,
de manera que 17 es la imagen de (4,−1).
4. T ∶ R2 → R2 dada por
T (a,b) = (−a + 3b,b)
Dominio: R2 , Co-dominio: R2 . Toma una pareja ordenada y regresa una pareja ordenada. Por
ejemplo, si quisiera aplicarle la regla a la pareja (4,−1), tendría
T ( 4 , −1 ) = (−(4) + 3(−1), −1 ) = (−7,−1)

®¯ ´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶ ¯
−a+3b
a b b
de manera que (−7,−1) es la imagen de (4,−1).
5. T ∶ R3 → R4 dada por
T (a,b,c) = (a + b,a,a + 5b,6c)
´¹¹ ¹ ¹ ¹ ¸¹ ¹ ¹ ¹ ¹¶ ´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶
R3 R4
Dominio: R3 , Co-dominio: R4 . Toma un elemento de R3 y regresa uno de R4 . Por ejemplo, si

quisiera aplicarle la regla a la pareja (1,2,3), tendría
T ( 1 , 2 , 3 ) = ( 1 + 2 , 1 ,1 + 5(2), 6(3) ) = (3,1,11,18)

®®® ± ® ´¹¹ ¹ ¹ ¹ ¹¸ ¹ ¹ ¹ ¹ ¹ ¶ ±
a b c a+b a 6c
a+5b
Ejemplo 34 Determine el dominio, el codominio y la imagen que se pide de las siguientes

transformaciones:
1. T1 ∶ R3 → R2 dada por
T (a,b,c) = (−a + 4b,b2 − c)
T (−1,−1,−1) =?
2. T2 ∶ M2 → R2 dada por
a b
T[ ] = (a + 2b − c,−a + 2c)
c d
1 2
T[ ] =?
−5 0
3. T3 ∶ R3 → M2 dada por
x x
T (x,y,z) = [ ]
y + z 3z
T (−2,1,5) =?
4. T4 ∶ P2 → R3 dada por
T (ax2 + bx + c) = (a,b,c)
T (5x2 + 3) =?
5. T5 ∶ P2 → R3 dada por
T (ax2 + bx + c) = (1,a,a)
T (5x2 + 3) =?
R Observe del ejemplo 4 que en realidad un isomorfismo es una transformación.
R En este momento, la regla de correspondencia puede ser tan arbitraria como se desee, por
ejemplo:
T (a,b) = (sen(a) + eb ,−1))
3.2 Transformaciones Lineales
Todas las familias felices se parecen unas a otras, pero cada familia infeliz lo es a su manera.
[del libro “Ana Karenina” de León Tolstói]
en las matemáticas ...
Todas las transformaciones lineales se parecen unas a otras, pero cada transformación
no-lineal es no-lineal a su manera.
Definición 3.2.1 — Transformación Lineal. Sean V y W dos espacios vectoriales definidos

sobre un campo K. Una transformación T ∶ V → W es lineal si para todo v̄1 , v̄2 ∈ V y para todo
α ∈ K se cumple que
T (v̄1 + v̄2 ) = T (v̄1 ) + T (v̄2 ) (3.1)

T (α v̄1 ) = αT (v̄1 ) (3.2)
donde a la Eq. 3.1 se le conoce como el principio de superposición y a Eq. 3.2 como el principio
de homogeneidad.
Un ejemplo del principio de superposición, también llamado “aditividad” es el siguiente:
Figure 3.1: Superposición
Antes de pasar a las transformaciones tomemos un poco de intuición estudiando las funciones.
El hecho de que una función o una transformación cumplan el principio de superposición no es tan
evidente. Observe que
f (x) = x2
no lo cumple porque
f (x1 + x2 ) ≠ f (x1 ) + f (x2 )

(x1 + x2 )2 ≠ x12 + x22
por lo que f (x) = x2 se dice ser no-lineal.

Y si lo pensamos en términos de funciones, es decir, f ∶ R → R, en realidad la mayoría de las
funciones son no-lineales:
• f (x) = x3 , porque (x1 + x2 )3 ≠ x13 + x23
√ √ √ √
• f (x) = x, porque (x1 + x2 ) ≠ x1 + x2
• f (x) = sen(x), porque sen(x1 + x2 ) ≠ sen(x1 ) + sen(x2 )
√
• f (x) = sen(x) + 3, f (x) = tanh(x), f (x) = ex , f (x) = cos(x) + x + 2, ...
y así una lista infinita. Sin embargo, observe que cada una de las funciones no-lineales son de
naturaleza muy diferente, podemos decir que “cada función no-lineal es no-lineal a su manera”.
Figure 3.2: Ejemplos de funciones no-lineales
La pregunta es entonces, ¿Cómo son las funciones lineales? En el caso de las funciones,
f ∶ R → R, para que sean lineales deben ser de la forma:
f (x) = ax, con a una constante (3.3)
Por ejemplo, si a = 3, entonces f (x) = 3x y sí cumple ambos principios pues
f (x1 + x2 ) = 3(x1 + x2 ) =
= 3x1 + 3x2 = f (x1 ) + f (x2 )
f (αx) = 3(αx)
= α3x = 3 f (x)
Pero también se cumplirían si a = 2 ó a = −1758 o cualquier real (habla de una proporcionalidad

¿no?). Y gráficamente, las funciones lineales son todas líneas rectas que pasan por el origen, por lo
que podemos decir que “siempre se parecen unas a otras”.
Figure 3.3: Ejemplos de funciones lineales
R La física, está llena de descripciones lineales de la naturaleza,

• En una resistencia, el voltaje es proporcional a la corriente:
V = Ri
• En una válvula hidráulica, la presión es proporcional al gasto volumétrico:
P = RH φ
• En una masa, la fuerza es proporcional a la segunda derivada de la posición...
F = mẍ
...¿es la derivada una función lineal?
Una vez que obtuvimos un poco de intuición con las funciones, generalicemos las cosas. En el
siguiente ejemplo se pide mostrar si cada una de las siguientes transformaciones cumplen con el
principio de superposición y de homogeneidad (3.1) y (3.2), ambas son necesarias, por lo que con
una que no cumpla, la transformación sería no-lineal.
Ejemplo 35 Determina cuáles de las siguientes transformaciones son lineales:

1. T ∶ R2 → R2 definida por T (x,y) = (x,sin(y)) (NL)
2. T ∶ R2 → R2 definida por T (x,y) = (1,4) (NL)
3. T ∶ R2 → R2 definida por T (x,y) = (y,x2 ) (NL)
4. T ∶ R → R definida por T (x,y) = (x + y,0)
2 2
(L)
5. T ∶ R2 → R2 definida por T (x,y) = (2y,x + 3y) (L)
3.2.1 Los subespacios núcleo y recorrido

Ya se ha definido a una transformación lineal como una regla de correspondencia T ∶ V → W que
asocia, linealmente, a cada elemento de V un único elemento de W. A V se le llama dominio y a W
co-dominio. Adicionalmente, se tienen las siguientes definiciones:
Definición 3.2.2 — Núcleo. Sea T ∶ V → W una transformación, el núcleo o kernel de T es el
subconjunto del dominio formado por todos aquellos vectores en V cuya imagen es el idéntico 0̄
del co-dominio W, es decir,
N(T ) = {v̄ ∈ V t.q. T (v̄) = 0̄w } (3.4)
Ejemplo 36 Considere la transformación T ∶ R3 → R2 dada por la regla de correspondencia:
T (a,b,c) = (a + b,a)
Encuentre el núcleo de T .
Solución: Aunque no son necesarios estos pasos, para sistematizar la obtención del núcleo se
recomienda:
1. Identifique al dominio de la transformación y al idéntico del co-dominio:
• Dominio: R3
• Idéntico del codominio: 0̄ = (0,0)
2. Reescriba la definición de núcleo dada por (3.5) para el ejemplo particular,
N(T ) = {(a,b,c) ∈ R3 t.q. T (a,b,c) = (0,0) }

´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¸ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶ ²
dominio co-dominio
3. Identifique la restricción dada por la ecuación anterior donde se pide igualar a cero la regla
de correspondencia, es decir,
(a,b,c) t.q. (a + b,a) = (0,0)

⇐⇒ a + b = 0 ⇒ b = −a
a=0
Estas dos restricciones implican que a = 0 y b = 0, por lo que el núcleo es:
N(T ) = {(a,b,c) ∈ R3 t.q. a = 0, b = 0}
o escrito de otra forma:

N(T ) = {(0,0,c); c ∈ R}
R Note que sería un error decir que, para este ejemplo,
N(T ) = {(0,0,0)}
porque la restricción c = 0 nunca se obtuvo. Recuerde que: Si no hay una restricción no la

invento.
R Como (0,0,1750) pertenece al núcleo, note que
T (0,0,1750) = (0,0)
Ejemplo 37 Considere la transformación T ∶ M2 → R2 dada por la regla de correspondencia:
a b
T[ ] = (a + b,c)
c d
Encuentre el núcleo de T .
Teorema 9 Si T ∶ V → W una transformación lineal, entonces el núcleo es un subespacio del espacio

vectorial V.
∎
Prueba. Para mostrar que el núcleo N(T ) = {v̄ ∈ V t.q. T (v̄) = 0̄w } es un subespacio se deben
cumplir tres condiciones:
• El idéntico de V pertenece a N(T ), es decir:
0̄v t.q. T (0̄v ) = 0̄w
Una forma de mostrarlo es la siguiente: Sea 0̄ = ū + (−ū), observe que
T (ū + (−ū)) = T (ū) + T (−ū) por superposición

= T (ū) − T (ū) por homogeneidad
= 0̄w
• La suma de dos elementos en N(T ) vuelve a ser un elemento en N(T ).

Sean ū, v̄ ∈ N(T ) tal que T (ū) = 0̄ y T (v̄) = 0̄
ū + v̄ ∈ N(T )?
Si y sólo si
T (ū + v̄) = 0̄
pero como T es lineal, por superposición:
T (ū + v̄) = T (ū) + T (v̄) = 0̄ + 0̄ = 0̄
• Si se multiplica por un escalar α ∈ K a un elemento de N(T ), el producto vuelve a ser un

elemento en N(T ).
Sean ū,∈ N(T ) tal que T (ū) = 0̄ y α ∈ K
α ū ∈ N(T )?
Si y sólo si
T (α ū) = 0̄
pero como T es lineal, por homogeneidad:
T (α ū) = αT (ū) = α 0̄ = 0̄
Definición 3.2.3 — Recorrido. Sea T ∶ V → W una transformación, el recorrido de T es el

subconjunto del co-dominio formado por todas las imágenes
T (v) = {w̄ ∈ W t.q. T (v̄) = w̄, ∀v̄ ∈ V} (3.5)
Teorema 10 Si T ∶ V → W una transformación lineal, entonces el recorrido T (v) es un subespacio

de W. Este subespacio es tal que la dimensión del dominio es la suma de la dimensión del núcleo
más la del recorrido, es decir,
dim{V} = dim{N(T )} + dim{T (v)}

Obtención del recorrido de una transformación lineal.
Sea T ∶ V → W una transformación lineal y B = {v̄1 , v̄2 ,..., v̄n } una base de V, un generador del
subespacio recorrido T (v) es
G = {T (v̄1 ),T (v̄2 ),...,T (v̄n )},
de manera que para obtener el recorrido se puede hacer lo siguiente:
1. Encuentre una base del dominio
2. Encuentre la imagen de cada elemento de la base del dominio.
3. Forme el generador y a partir de él determine los linealmente independientes (la base).
4. La combinación lineal de los elementos de la base nos da el recorrido.
Ejemplo 38 Sea la transformación lineal T ∶ R3 → R2 con regla de correspondencia:
T (x,y,z) = (x,y + z)
obtener su recorrido y la dimensión del núcleo.
Solución. El recorrido debe ser un subespacio de R2
• Sea la base del dominio
BR3 = {(1,0,0),(0,1,0),(0,0,1)}
• Imágenes del dominio
T (1,0,0) = (1,0),
T (0,1,0) = (0,1),
T (0,0,1) = (0,1)
• Generador:
G = {(1,0),(0,1),(0,1)}
que se observa es L.D.
• Una base, a partir del generador es
B = {(1,0),(0,1)}
• El espacio generado, es decir el recorrido es
T (v) = a(1,0) + b(0,1) = (a,b),
o sea que el recorrido es todo R2
T (v) = R2
• Como la dimensión de T (v) es dos y el dominio es R3 ,
dim{R3 } = dim{N(T )} + dim{T (v)}
3 = dim{N(T )} + 2
por lo que dim{N(T )} = 1.
Ejemplo 39 Resolver los ejercicios 12 y 13 del libro de [3], página 199 del pdf.
3.3 Matriz asociada a una transformación

Lo primero que hay que notar es que toda matriz es una transformación. Por ejemplo, si deseamos
multiplicar la matriz
1 2 3 0
A=[ ] ∈ R2×4
−1 1 0 5
por un vector, este vector debe de ser de 4 × 1 para que sea conformable, es decir:
⎡a⎤
⎢ ⎥
1 2 3 0 ⎢⎢b⎥⎥ a + 2b + 3c
[ ]⎢ ⎥ = [ ]
−1 1 0 5 ⎢⎢ c ⎥⎥ −a + b + 5d
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¶ ⎢⎣d ⎥⎦ ´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¶
2×4 2×1
°
4×1
y el resultado es un vector de 2 × 1. En otras palabras, la matriz A establece una transformación
T ∶ R4 → R2
con regla de correspondencia:
T (a,b,c,d) = (a + 2b + 3c,−a + b + 5d)
En este sentido, es necesario observar lo siguiente:
R En realidad la matriz A es multiplicada por coordenadas y estas coordenadas son transformadas

en coordenadas.
R La regla de correspondencia obtenida es lineal.
No es necesario, pero para facilitar la exposición, se hará diferencia entre dos tipos de matrices,
cuando las bases son estándar1 (también llamadas canónicas) y cuando no.
3.3.1 Matriz asociada a una transformación referida a bases estándar

Considere el espacio vectorial Rn con base
A = {(1,0,0,...,0),(0,1,0,...,0),...,(0,0,0,...,1)} (3.6)
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¶ ´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¶ ´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¶
v̄1 v̄2 v̄n
y el espacio Rm con base
B = {(1,0,0,...,0),(0,1,0,...,0),...,(0,0,0,...,1)} (3.7)
´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¶ ´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¶ ´¹¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¸¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹ ¹¶
w̄1 w̄2 w̄m
y sea
T ∶ Rn → Rm
1
Es decir, aquellas bases formadas por unos y ceros, como la î, jˆ, k̂.
una transformación lineal, tal que
T (v̄1 ) = (a11 ,a21 ,...,am1 ),

T (v̄2 ) = (a12 ,a22 ,...,am2 ),
⋮
T (v̄n ) = (a1n ,a2n ,...,amn ),
entonces la matriz M de m × n asociada a T es

⎡ a11 a12 ⋯ a1n ⎤
⎢ ⎥
⎢ a a22 ⋯ a2n ⎥
⎢ ⎥
M(T ) = ⎢ 21 ⎥
⎢ ⋮ ⋮ ⋱ ⋮ ⎥
⎢ ⎥
⎢ am1 am2 ⋯ amn ⎥
⎣ ⎦
y es tal que
T (v̄) = M v̄, ∀v̄ ∈ Rn
R Observe que a la pregunta: ¿De cuánto por cuánto es la dimensión de la matriz asociada a la
transformación? La respuesta debe ser: De la dimensión del co-dominio por la del dominio.
Ejemplo 40 Considere la transformación T ∶ R3 → R2 con regla de correspondencia:
T (a,b,c) = (2a + b,b − c),
encuentre la matriz asociada a la transformación T .

Solución:
• Base del dominio:
A = {(1,0,0),(0,1,0),(0,0,1)}
• Imagen de cada elemento de la base:
T (1,0,0) = (2,0)
T (0,1,0) = (1,1)
T (0,0,1) = (0,−1)
• Ponga cada imagen como un vector columna:
2 1 0
M(T ) = [ ]
0 1 −1
R La matriz obtenida NO se reduce, si se redujera, se cambiaría la regla de correspondencia.

Ejemplo 41 Encuentre la matriz asociada a la transformación lineal T ∶ R2 → R4 , con regla de

correspondencia dada por
T (a,b) = (a + b,−2b,0,−5a + 8b)
Ejemplo 42 Encuentre la matriz asociada a la transformación lineal T ∶ R3 → R con regla de
correspondencia dada por
T (a,b,c) = 2a + b − 3c
El problema de la obtención de la matriz puede ser un poco más elaborado cuando los espacios
no son Rn , para esto se puede o bien usar un ismorfismo o aplicar lo explicado en la siguiente
subsección.
3.3.2 Matriz asociada a una transformación referida a bases no-estándar

Sean V y W espacios vectoriales de dimensión finita con bases A y B, respectivamente, donde
A = {v̄1 , v̄2 ,..., v̄n }, B = {w̄1 , w̄2 ,..., w̄m }
Si T ∶ V → W es una transformación lineal tal que

⎡ a11 ⎤ ⎡ a12 ⎤ ⎡ a1n ⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ a ⎥ ⎢ a ⎥ ⎢ a ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
[T (v̄1 )]B = ⎢ 21 ⎥ , [T (v̄2 )]B = ⎢ 22 ⎥ , ..., [T (v̄n )]B = ⎢ 2n ⎥,
⎢ ⋮ ⎥ ⎢ ⋮ ⎥ ⎢ ⋮ ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ am1 ⎥ ⎢ am2 ⎥ ⎢ amn ⎥
⎣ ⎦ ⎣ ⎦ ⎣ ⎦
entonces, la matriz MBA (T ) de m × n, referida a las bases A y B, cuyas n columnas corresponden a

[T (v̄i )]B tal que
⎡ a11 a12 ⋯ a1n ⎤
⎢ ⎥
⎢ a ⋯ ⎥
⎢ a a2n ⎥
MBA (T ) = ⎢ 21 22
⎥
⎢ ⋮ ⋮ ⋱ ⋮ ⎥⎥
⎢
⎢ am1 am2 ⋯ amn ⎥
⎣ ⎦
es tal que
[T (v̄)]B = MBA [v̄]A (3.8)
para todo v̄ en V
∎
a 0
Ejemplo 43 Sea el Espacio vectorial real D = {[ ],a,b ∈ R} y la transformación lineal T ∶ P2 →
0 b
D con regla de correspondencia
a + 2b 0
T (ax2 + bx + c) = [ ]
0 3a − c
obtenga la matriz asociada a T .

Solución: Considere las bases de P2 y D dadas por
A = {x2 ,x,1}
1 0 0 0
B = {[ ],[ ]}
0 0 0 1
Las imágenes de A bajo la transformación T están dadas por

1 0
T (x2 ) = [ ]
0 3
2 0
T (x) = [ ]
0 0
0 0
T (1) = [ ]
0 −1
En este caso, las coordenadas de estas imágenes respecto a la base B se obtienen de expresar los
vectores como combinaciones lineales de los elementos de la base B, es decir
1 0 1 0 0 0
[ ] = 1⋅[ ]+3⋅[ ]
0 3 0 0 0 1
2 0 1 0 0 0
[ ] = 2⋅[ ]+0⋅[ ]
0 0 0 0 0 1
0 0 1 0 0 0
[ ] = 0⋅[ ] + (−1) ⋅ [ ]
0 −1 0 0 0 1
por lo que
[T (x2 )]B = [1,3]T
[T (x)]B = [2,0]T
[T (1)]B = [0,−1]T
La matriz asociada se forma con los vectores anteriores como columnas, es decir
1 2 0
MBA (T ) = [ ] ∈ R2×3
3 0 −1
∎
Dada MBA (T ) y las bases A y B, encontrar la regla de correspondencia de T
La respuesta puede corroborarse haciendo uso de la Eq. (3.8)
[T (v̄)]B = MBA (T )[v̄]A
que se lee como: las coordenadas de la regla de correspondencia respecto a la base B pueden
obtenerse multiplicando la matriz MBA (T ) por las coordenadas de un vector genérico del dominio,
respecto a la base A. Así, dada la matriz asociada a la transformación MBA (T ) y las bases A y
B, puede encontrarse la regla de correspondencia siguiendo ciertos pasos, ejemplificados para el
Ejemplo 43. Sea T ∶ P2 → D, con matriz asociada
1 2 0
MBA (T ) = [ ] ∈ R2×3 ,
3 0 −1
referida a las bases:
1 0 0 0
A = {x2 ,x,1}, B = {[ ],[ ]},
0 0 0 1
encuentre la regla de correspondencia.
1. Declarar un vector genérico del dominio v̄.

Sea v̄ = ax2 + bx + c
2. Encontrar las coordenadas del vector genérico v̄ respecto a la base A,
⎡ a ⎤
⎢ ⎥
⎢ ⎥
[v̄]A = [ax + bx + c]A = ⎢ b ⎥
2
⎢ ⎥
⎢ c ⎥
⎣ ⎦
3. Multiplicar la matriz dada por las coordenadas obtenidas en el punto anterior. El resultado
será un vector de m × 1:
⎡ a ⎤
1 2 0 ⎢⎢ ⎥⎥ a + 2b
MBA (T )[v̄]A =[ ]⎢ b ⎥ = [ ]
⎢
3 0 −1 ⎢ ⎥ ⎥ 3a − c
c
⎣ ⎦
4. Como [T (v̄)]B = MBA [v̄]A , el vector obtenido son las coordenadas de la regla de correspondencia:
a + 2b
[T (v̄)]B = [ ]
3a − c
5. Ahora el problema es, dado el vector de coordenadas de la regla y la base a la que está referido,
encontrar la regla, por lo que se debe hacer la combinación lineal para encontrar la regla:
a + 2b α
[T (v̄)]B = [ ]=[ ]
3a − c β
1 0 0 0 a + 2b 0
⇒ (a + 2b)[ ] + (3a − c)[ ]=[ ]
0 0 0 1 0 3a − c
a 0
Ejemplo 44 Considere a los espacios vectoriales R2 y D = {[ ],a,b ∈ R} y la transformación
0 b
lineal T ∶ R2 → D con regla de correspondencia
a+b 0
T (a,b) = [ ]
0 2a − b
obtenga la matriz asociada a T cuando las bases son:

1 0 0 0
a) A = {(1,0),(0,1)}, B = {[ ],[ ]},
0 0 0 1
2 0 0 0
b) A = {(1,1),(−1,1)}, B = {[ ],[ ]},
0 0 0 1
Compruebe ambos resultados
Ejemplo 45 Sean el espacio vectorial real P2 = {ax2 + bx + c∣ a,b,c ∈ R} y las transformaciones

lineales
T ∶ R3 → P2 , S ∶ R3 → P2
cuyas matrices asociadas respecto a las bases
A = {(1,1,0), (0,1,0), (0,0,1)} y B = {x2 , x, 1}

⎡ 1 1 1 ⎤⎥ ⎡ 0 −1 0 ⎤
⎢ ⎢ ⎥
⎢ ⎥ ⎢ ⎥
MBA (T ) = ⎢
0 −1 −1 ⎥ MB (S) = ⎢ −1 2
A
1 ⎥
⎢ ⎥ ⎢ ⎥
⎢ 1 0 1 ⎥⎦ ⎢ −1 1 −1 ⎥
⎣ ⎣ ⎦
Obtener la regla de correspondencia de S y de T
3.4 Operaciones con transformaciones

Así como las funciones pueden sumarse, multiplicarse por escalares y componerse, las transformaciones
también admiten estas operaciones. La diferencia, sin embargo, radica en que las funciones siempre
eran reglas de f ∶ R → R y ahora, para las transformaciones, habrá que tener cuidado con su dominio
y co-dominio, sin embargo, la idea central es la misma.
3.4.1 Suma y multiplicación por un escalar

Considere a los espacios vectoriales V y W sobre un campo K, se tienen las siguiente definiciones:
Definición 3.4.1 Sean S ∶ V → W y T ∶ V → W dos transformaciones lineales, se define la
transformación suma
S+T ∶ V → W
por medio de la regla de correspondencia:
(S + T )(ū) = S(ū) + T (ū) (3.9)
R Observe la similitud de (3.13) con la definición de suma de funciones. Así como la suma de
funciones es una nueva función, la suma de transformaciones es una nueva transformación.
R Para que la suma de transformaciones S y T pueda efectuarse, es necesario que S y T tengan el

mismo dominio y el mismo co-dominio.
Ejemplo 46 Sean S ∶ R3 → R2 y T ∶ R3 → R2 dadas por:
S(a,b,c) = (a − b + c,2c),
T (a,b,c) = (b,−5a − 2c).
Determine:
1. La regla de correspondencia de S + T
2. (S + T )(1,2,3)
Solución:
• Observe primero que las transformaciones sí pueden ser sumadas pues ambas van de R3 a R2 .
• Obtener la regla de correspondencia de la suma es tan simple como sumar las reglas:
(S + T )(a,b,c) = (a − b + c,2c) + (b,−5a − 2c)
= (a + c,−5a)
• Obtener la imagen que se pide implica aplicar la regla, es decir:
(S + T )(1,2,3) = (1 + 3,−5(1)) = (4,−5)
Definición 3.4.2 Sea T ∶ V → W una transformación lineal y sea α un escalar en el campo, se

define la transformación multiplicación por un escalar
αT ∶ V → W
(αT )(ū) = αT (ū) (3.10)
R Aunque la diferencia parece sutil, note que el lado izquierdo de (3.10) es una nueva transformación
obtenida a partir de T (ū).
Teorema 11 Si S ∶ V → W y T ∶ V → W son transformaciones lineales, entonces las transformaciones

(S + T ) y (αT ) también son lineales.
∎
Esbozo de la Prueba:
Si S y T son lineales, entonces cumplen con que:
S(ū + v̄) = S(ū) + S(v̄) y T (ū + v̄) = T (ū) + T (v̄),
S(α ū) = αS(ū) y T (α ū) = αT (ū),
respectivamente. Ahora bien, si (S + T ) es lineal entonces debe ser cierto que:
(S + T )(ū + v̄) = (S + T )(ū) + (S + T )(v̄), (3.11)
(S + T )(α ū) = α(S + T )(ū) (3.12)
Para desarrollar el lado izquierdo de (3.11), se usa primero la definición de suma de transformaciones2 :
(S + T )(ū + v̄) = S(ū + v̄) + T (ū + v̄)
pero como S y T son lineales:
(S + T )(ū + v̄) = S(ū + v̄) + T (ū + v̄)
= S(ū) + S(v̄) + T (ū) + T (v̄)
= S(ū) + T (ū) + S(v̄) + T (v̄)
= (S + T )(ū) + (S + T )(v̄)
que es el lado derecho de (3.11), por lo que se ha mostrado superposición. Para mostrar homogeneidad
se procede de manera similar.
2
Piense que ū + v̄ es un vector w̄.
Dado que la suma y la multiplicación por un escalar de transformaciones es otra transformación

lineal, entonces puede ser representada por una matriz. El siguiente teorema dice cómo obtener a la
matriz asociada.
Teorema 12 Sean S ∶ V → W y T ∶ V → W dos transformaciones lineales con matrices asociadas
MBA (S) y MBA (T ), respectivamente, entonces:
• MBA (S + T ) = MBA (S) + MBA (T )

• MBA (αT ) = αMBA (T )
3.4.2 Composición de transformaciones

También como una generalización de la composición de funciones, se define la composición de
transformaciones de la siguiente forma:
Definición 3.4.3 Sean T ∶ U → V y S ∶ V → W dos transformaciones lineales, se define la
transformación composición
S○T ∶ U → W
(S ○ T )(ū) = S(T (ū)) (3.13)
Gráficamente puede expresarse como:
R Observe que para que S ○ T pueda efectuarse es necesario que el dominio de S esté contenido
en el recorrido de T . Por lo anterior es muy importante reconocer el dominio y el co-dominio
de ambas transformaciones.
Ejemplo 47 Ejercicio: Realizar los ejercicios 24 y 25 del libro de Godinez et al. [3]
3.4.3 Transformación inversa

Dada una transformación T ∶ V → W, para poder hablar de la transformación inversa de T es necesario
que T cumpla con ser biyectiva, es decir, inyectiva y suprayectiva.
La condición de inyectividad está relacionado con que sea uno a uno: Mientras que la suprayectividad
se relaciona con que el recorrido sea el co-dominio.

El siguiente teorema indica las condiciones para que exista la inversa de una transformación.
Teorema 13 Sean V y W un espacios vectoriales sobre K y sea T ∶ V → W una transformación
lineal. Entonces, T −1 ∶ W → V existe si y sólo si:
1. N(T ) = {0̄}
2. dim{V} = dim{W}
donde T −1 ∶ W → V es una transformación lineal tal que si
T (v̄) = w̄, entonces T −1 (w̄) = v̄ (3.14)
Ahora bien, el siguiente teorema nos dice cómo obtener la transformación inversa.
Teorema 14 Sea T ∶ V → W una transformación lineal biyectiva y sea T −1 ∶ W → V su inversa,
entonces:
• La matriz asociada a T , MBA (T ) es no-singular, es decir, det(MBA (T )) ≠ 0.
• MBA (T −1 ) = (MBA (T ))−1
∎
Así, si deseamos obtener la regla de correspondencia de la inversa de una transformación T ,

lo primero que debemos hacer es obtener una matriz asociada a T , y luego su inversa. Esta matriz
inversa será la asociada a T −1 .
Ejemplo 48 Obtenga, si es posible, las inversas de las siguientes transformaciones:
1. T ∶ R2 → R2 dada por T (x,y) = (x + 2y,−x − 2y)
2. T ∶ P1 → R2 dada por T (ax + b) = (2a + b,b)
3. Si T ∶ R2 → R2 está dada por T (x,y) = (x + y,x − y). Determinar (T ○ T )−1 .
3.5 Valores y vectores propios

Un modelo dinámico es una representación matemática que trata de describir el comportamiento
de un conjunto de variables para todo tiempo. Estos modelos son muy útiles para los físicos y
biólogos (entre otros) porque les sirven para describir el comportamiento (presente y futuro) de un
fenómeno, como una pandemia :( Los ingenieros también usamos modelos matemáticos pero no
estamos interesados sólo en la descripción, sino en la prescripción, es decir, queremos modificar
el comportamiento de las cosas. De cualquier manera, el interesado en el análisis de modelos
matemáticos (cualquier ingeniero) debe poner especial interés en el uso de los valores y vectores
propios3 . Esto porque la representación matemática de un sistema físico se hace obteniendo un
3
Si no me creen a mí, tal vez a Ironman sí (t=20s)... https://www.youtube.com/watch?v=5h3G4vKCiFE
3.5 Valores y vectores propios 61
conjunto de ecuaciones que involucran variables (como la posición, la velocidad, temperatura,

corriente, voltaje, presión, etc.) y sus derivadas. A este tipo de ecuaciones se les llama ecuaciones
diferenciales, porque hay derivadas. Estas ecuaciones pueden expresarse matricialmente. Por
ejemplo, suponga que se tiene a un sistema mecánico y se declara un vector x̄ ∈ R2 que tiene como
primer componente la posición de un carro z(t) y como segunda componente su velocidad:
⎡ z(t) ⎤
⎢ ⎥
x̄(t) = ⎢⎢ dz(t) ⎥⎥
⎢ ⎥
⎣ dt ⎦
Obtener un modelo (lineal) significaría encontrar a una matriz A, en este caso de 2 × 2, que relacione
la derivada del vector x̄(t) con el mismo vector x̄(t), es decir:
d x̄(t)
= Ax̄(t) (3.15)
dt
En un curso de ecuaciones diferenciales (siguiente semestre) el interés está en aprender métodos
que resuelvan la ecuación diferencial, es decir, que nos digan de todas las funciones que existen
cuáles son las x(t) que satisfacen (3.15). Sin embargo, los valores propios de la matriz A indican
cualitativamente cómo será el comportamiento del vector x(t). Para detalles e ilustrar lo anterior por
favor refiérase a la Práctica en MATLAB titulada: Sistemas dinámicos.
3.5.1 Obtención de valores y vectores propios

Antes de definir a los valores propios es necesario distinguir una clase especial de transformaciones
llamada operador. Un operador, es una transformación que mapea un espacio en sí mismo, es decir,
si
T ∶V→V
entonces T es llamada operador. Observe que la matriz asociada a un operador siempre es cuadrada,
porque el dominio y el co-dominio es el mismo.
Definición 3.5.1 Sea T ∶ V → V un operador lineal y sea MAA (T ) una matriz asociada a T , referida
a una base A, tal que
MAA (T )[v̄]A = λ [v̄]A (3.16)
o equivalentemente
T (v̄) = λ v̄ (3.17)
con λ ∈ K, v̄ ∈ V y [v̄]A las coordenadas del vector genérico v̄ respecto a la base A. Entonces, a
λ se le conoce como valor propio (también valor característico o eigenvalue) y a v̄ se le llama
vector propio (también vector característico o eigenvector).
R Observe de la Ecuación (3.17) que si un vector v̄ es un vector propio de la transformación T ,

entonces al aplicarle la regla de correspondencia, la imagen vuelve a ser el mismo vector v̄
pero escalado, esa constante de proporcionalidad es el valor propio.
Dada una matriz asociada a T , la obtención de los valores y vectores propios se puede hacer de
una manera muy sistemática, los pasos se exponen a continuación.
Procedimiento
Sea M ∈ Rn×n una matriz4 asociada a un operador T , entonces
1. Un valor propio de M es un escalar λ ∈ K tal que
det(λ In − M) = 0 (3.18)
con In la matriz identidad de n × n. La Ecuación (3.18) es un polinomio en λ y es llamada

ecuación característica o polinomio característico.
2. Los vectores propios v̄ son las soluciones diferentes de cero de la ecuación:
(λ In − M)v̄ = 0̄ (3.19)
Así, dado un operador primero hay que obtener una matriz asociada, que será de n × n. Luego sacar
el determinante dado en la Ecuación (3.18) e igualarlo a cero. Las raíces de ese polinomio serán los
valores propios. Así, si la matriz es de n × n entonces tendrá siempre n valores propios (que podrían
ser repetidos). Ahora fíjese en la Ecuación (3.19), como M es conocida, entonces para cada λ hay
que encontrar el v̄ que le corresponde. Resolviendo (3.19) para v̄ da los vectores propios.
Ejemplo 49 Encuentre los valores y los vectores propios de la matriz M, donde
2 −12
M=[ ]
1 −5
Para cada λ , ¿son los vectores propios únicos?

Observaciones: Como la matriz en el ejemplo es de 2 × 2, tendrá dos valores propios. La matriz
1 0
In en este caso es la identidad de orden dos, es decir I2 = [ ].
0 1
4
Para facilitar la visualización se omitirá la notación, pero se debe tener en cuenta que al escribir M, en realidad nos
referimos a MAA (T )
References
[1] Donald Bentley and Kenneth Cooke. Linear Algebra with Differential Equations, volume 1.
Holt, Rinehart and Winston, INC., 1973.
[2] Boletín. Boletín de matemáticas y cultura. 23 febrero de 2019, No 335.
[3] Gondínez Hector and Abel Herrera. Álgebra lineal: Teoría y ejercicios. Facultad de Ingeniería,
UNAM, 2011.
[4] E Solar and L Speziale. Apuntes de álgebra lineal. Facultad de Ingeniería, UNAM, México,
860p, 1985.
[5] Gilbert Strang. Introduction to linear algebra, volume 3. Wellesley-Cambridge Press Wellesley,
MA, 1993.

Apuntes de Algebra Lineal FI UNAM

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

Apuntes de Algebra Lineal FI UNAM

Cargado por

Copyright:

Formatos disponibles

Apuntes de Álgebra

Fecha de elaboración, April 21, 2020

2.2 Espacio Vectorial de Funciones 17

2.3 Espacio vectorial de funciones 20

2.4 Combinación Lineal 21

2.7 Coordenadas de Vectores 30

2.1 Suma geométrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

1.1 Operación Binaria

Así, al aplicar la operación adición al par (3,4) se tiene que

R Observe que la suma de naturales, la multiplicación de matrices, la adición de polinomios, etc.

Ejemplo 2 Considere el conjunto de los números enteros Z considere a la operación binaria △ ∶

1.1.1 Ejemplos de Operaciones Binarias

m3n = m + 2n, para m,n ∈ N (1.1)

Si aplicamos la regla a la pareja (1,5) el resultado es

Si aplicamos la regla a la pareja (γ,β ) el resultado es

Obtener los valores de x,y ∈ R que satisfacen las siguientes ecuaciones

2. Asociatividad: Al operar tres elementos el resultado es el mismo si los elementos se asocian

4. Inversos: Para todo a ∈ A existe un elemento â ∈ A tal que

Determinar si (S,⊗) tiene estructura de grupo

Sea el conjunto de los vectores geométricos P2 y sean v̄1 y v̄2 ∈ P2 , se definen:

La operación binaria suma de vectores

por la regla dada en la Figura 2.1

Figure 2.1: Suma geométrica

Otra operación geométrica definida en P2

cuya regla es mostrada en la Figura 2.2

Figure 2.2: multiplicación por un escalar

Figure 2.3: Asociatividad de la suma geométrica

Es decir, hay una

Figure 2.4: Relación entre vector geométrico y pareja

(x1 ,y1 ) + (x2 ,y2 ) = (x1 + x2 ,y1 + y2 ) (2.1)

2.1 Espacios Vectoriales

2. Distributividad entre vectores

α(ū + v̄) = α ū + α v̄; ∀α ∈ K y ū, v̄ ∈ V

3. Distributividad entre escalares

(α + β )v̄ = α v̄ + β v̄; ∀α,β ∈ K y v̄ ∈ V

4. Asociatividad entre escalares

α(β v̄) = (αβ )v̄; ∀α,β ∈ K y v̄ ∈ V

5. Para todo v̄ ∈ V se cumple que

Teorema 1 Sea V un espacio vectorial sobre un campo K, si ū ∈ V y α ∈ K, entonces:

Figure 2.5: Resumen espacios vectoriales

¿Un subconjunto de un espacio vectorial es un espacio vectorial?

vectorial. Así, surge la siguiente definición:

2. Y si W es un subespacio de V, entonces por el punto 3 del Teorema 2 se cumple que α w̄1 ∈ W.

lo que significa que los inversos aditivos viven en W.

con m una constante.

Teorema 3 — Theorem 4.7,[1]. Para cualesquiera dos subespacios W1 y W2 de un E.V. V sobre

Ejemplo 13 — Final 25 de mayo de 2015. Determinar si el conjunto

2.2 Espacio Vectorial de Funciones

p(x) = an xn + an−1 xn−1 + ... + a0 ,

2.2.1 Variables físicas como funciones

Para esto, antes de hablar de un grupo abeliano o de un espacio vectorial, pensemos en la

Figure 2.9: Una fuerza puede ser

2.3 Espacio vectorial de funciones

( f + g)(x) = f (x) + g(x) (2.2)

y a la función multiplicación por un escalar (α f )(x) como

α f )(x) = α f (x). (2.3)

2.3.1 Subespacios de funciones

C1 = { f (x) ∈ F ∣ ∃ f ′ (x) y f ′ (x) ∈ C0 }.

Los siguientes son ejemplos de funciones cuya derivada existe y es continua:

¿La función suma ( f + g)(x) pertenece a C1 ?,

Sin embargo, por propiedades de la derivada se puede afirmar que

( f + g)′ (x) = f ′ (x) + g′ (x)

¿La función (α f )(x) pertenece a C1 ?, con α un número real