Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Dados dos espacios vectoriales, E y F , sobre el mismo cuerpo K, vamos a estudiar una familia de aplicaciones entre ellos
especialmente amigable con la estructura de espacio vectorial: _aquellas que la conservan, y que llamamos aplicaciones
lineales.
Definición. Dados dos K-espacios vectoriales E y F , una aplicación f : E ⟶ F entre ellos se dice lineal si verifica:
Obsérvese que, con la notación de la definición, la combinación λu es un vector de E , mientras que λf (u) es un vector de F .
En particular, es relevante, para que ambas tengan sentido, que el cuerpo de escalares sea el mismo. También las operaciones
"+" son cada una en un espacio vectorial.
Si f y g son dos aplicaciones lineales de E en F , y λ, μ dos escalares, es directo comprobar las siguientes igualdades (léanse
operaciones y vectores en los espacios vectoriales correspondientes):
f (∑ λi u i ) = ∑ λi f (u i ) .
i=1 i=1
In [ ]:
v ⟼ fλ (v) = λv
es lineal. En particular, la aplicación que manda cualquier vector de E al vector 0 ∈ F es lineal ("aplicación cero"). Llamamos
homotecia en E a cualquier aplicación lineal de E en E de la forma fλ (v) = λv, y a λ la razón de la homotecia.
In [ ]:
In [ ]:
3 3
Ejemplo 3. (Imágenes de una base). Si f : R ⟶ R es una aplicación lineal, la propiedad 1 nos asegura que basta
conocer las imágenes
f (1, 0, 0) = (2, −1, 4), f (0, 1, 0) = (1, 5, −2), f (0, 0, 1) = (0, 3, 1) ,
In [ ]:
Ejemplo 4. Sea E un K-espacio vectorial y {u1 , … , un } una base de E . La aplicación f : E ⟶ Kn que envía cada
vector v ∈ E a la n -upla (λ1 , … , λn ) ∈ Kn , donde λ1 , … , λn son las coordenadas de v en la base dada de E , es una
aplicación lineal.
Ejemplo 5. Si E y F son espacios vectoriales sobre un mismo cuerpo K, se define el L-espacio vectorial producto cartesiano
E × F como el conjunto
E × F = {(u, v) ∣ u ∈ E, v ∈ F }
(cada operación leída en su espacio vectorial). Es sencillo ver que es también K-espacio vectorial.
u ⟼ (u, 0) v ⟼ (0, v)
E × F ⟶ E E × F ⟶ F
(u, v) ⟼ u (u, v) ⟼ v.
3 0
⎛ ⎞
2 3
Ejemplo 6. (Aplicaciones lineales dadas por matrices). Sea f : R ⟶ R yA = ⎜ 2
⎜ −1 ⎟
⎟ . La aplicación dada por
⎝ ⎠
1 4
3 0 3v1
⎛ ⎞ ⎛ ⎞
v1
f (v) = Av = ⎜ 2 −1 ⎟ ( ) = ⎜ 2v1 − v2 ⎟
⎝ ⎠ v2 ⎝ ⎠
1 4 v1 + 4v2
2
es lineal puesto que A(λu + μv) = λA(u) + μA(v) para cualesquiera escalares λ, μ ∈ R y vectores u, v ∈ R .
2
¿Cuáles son las imágenes de los vectores de la base canónica {(1, 0), (0, 1)} ⊂ R ?
In [ ]:
En general sean E y F dos espacios vectoriales de dimensiones finitas sobre K, con respectivas bases
BE = {v1 , … , vn } y BF = {w1 , … , wm }. Para todo vector v ∈ E usaremos la notación [v] B para la
E
[w] B
F
= (μ1 , … , μm )
t
si w = ∑ μi wi .
i=1
m
Sea f : E ⟶ F una aplicación lineal entre estos espacios vectoriales. Si f (vj ) = ∑ ai,j wi , la matriz
i=1
es tal que:
[f (v)] B = A[v] B , ∀v ∈ E .
F E
In [ ]:
′
B := {(2, 1), (−1, 2)} para el espacio de llegada.
Solución:
In [2]: u1,u2=(1,2),(-1,1)
w1,w2=(2,1),(-1,2)
P=matrix(QQ,2,[w1,w2]).transpose().inverse()
A=P*matrix(2,[f(u1),f(u2)]).transpose()
show(A)
1
2 −
5
( )
2
1 −
5
In [5]: #Comprobaciones
E=VectorSpace(QQ,2)
x1,x2=A.column(0)
show(f(u1),x1*E(w1)+x2*E(w2),f(u1)==x1*E(w1)+x2*E(w2))
y1,y2=A.column(1)
show(f(u2),y1*E(w1)+y2*E(w2),f(u2)==y1*E(w1)+y2*E(w2))
In [ ]:
Núcleo e imagen de una aplicación lineal
Si f : E ⟶ F es una aplicación lineal, ya hemos visto que f (0E ) = 0F , de manera que el 0 de un espacio vectorial es un
vector que siempre aparece como imagen de algún otro por una aplicación lineal con llegada dicho espacio. De hecho, si
f (u 1 ) = f (u 2 ) = 0 entonces, para cualquier combinación lineal de u 1 y u 2 se tiene:
f (λu 1 + μu 2 ) = λf (u 1 ) + μf (u 2 ) = λ0 + μ0 = 0.
Dada una aplicación lineal f : E ⟶ F llamamos núcleo de f , y lo denotaremos por Nuc(f ) o Ker(f ), al
subconjunto (no vacío)
Nuc(f ) = {v ∈ E ∣ f (v) = 0F } ⊂ E
Y también en el espacio vectorial de llegada de una aplicación lineal se tiene un subespacio asociado a la aplicación, el
subconjunto (no vacío) de F :
Im(f ) = {ω ∈ F ∣ existe v ∈ E con f (v) = ω} ⊂ F .
Obsérvese que 0F ∈ Im(f ) puesto que f (0E ) = 0F , y si ω 1 , ω 2 ∈ F digamos que u1 ∈ E es tal que f (u1 ) = ω1 y
u 2 ∈ E lo es tal que f (u 2 ) = ω 1 , entonces f (u 1 − u 2 ) = ω 1 − ω 2 y así ω 1 − ω 2 ∈ Im(f ) .
Dada una aplicación lineal f : E ⟶ F llamamos imagen de f , y lo denotaremos por Im(f ), al subespacio
vectorial de F :
Im(f ) = {ω ∈ F ∣ existe algún v ∈ E con f (v) = ω} ⊂ F .
Si el espacio de partida E es de dimensión finita, las dimensiones de estos subespacios están relacionadas por la fórmula de
dimensiones
de manera que la dimensión de la imagen no puede superar nunca al del espacio de partida:
dim(Im(f )) ≤ dim(E) para cualquier aplicación lineal f : E ⟶ F .
La validez de la fórmula de dimensiones requiere algo más que esta sencilla observación. Veamos primero algún ejemplo
que la confirme. Antes unas últimas definiciones.
In [ ]:
equivalentemente Im(f ) = F ;
3. isomorfismo si es biyectiva, es decir, si y solo si:
para cualquier w ∈ F , existe un único u ∈ E tal que f (u) = w,
Obsérvese que, tomada como cierta la fómula de dimensiones, de un espacio vectorial E de dimensión finita, solo pueden
existir:
3 3
Ejemplo (ejercicio resuelto). Consideremos la aplicación lineal f : R ⟶ R con matriz:
1 2 0
⎛ ⎞
A = ⎜ 2 1 −3 ⎟ .
⎝ ⎠
−1 3 5
Calcular su núcleo, una base del mismo y la dimensión del espacio imagen. Encontrar razonadamente una base del espacio
imagen.
3
= {(2t, −t, t) ∈ R : t ∈ R}
3
= {t(2, −1, 1) ∈ R : t ∈ R}
Calculemos una base del subespacio, de dimensión 2 , Imf . Sabemos que los vectores columna v1 = (1, 2, −1) ,
v2 = (2, 1, 3) , v3 = (0, −3, 5) , generan Imf . Por otra parte, podemos observar de las columnas c 1 , c 2 y c 3 de la matriz
⎜ −3 ⎟ = (−2) ⎜ 2 ⎟ + 1⎜ 1⎟.
⎝ ⎠ ⎝ ⎠ ⎝ ⎠
5 −1 3
3
Obsérvese ahora que la imagen de cualquier vector (x, y, z) ∈ R es:
x x + 2y 1 2 0
⎛ ⎞ ⎛ ⎞ ⎛ ⎞ ⎛ ⎞ ⎛ ⎞
A⎜ y ⎟ = ⎜ 2x + y − 3z ⎟ = x⎜ 2 ⎟ + y⎜ 1⎟ + z⎜ 3 ⎟.
⎝ ⎠ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠
z −x + 3y + 5z −1 3 −5
In [ ]: