Álgebra Lineal - Todos Los Pdfs Unu - Compressed

Funciones Lineales Parte 1 3

funcion-lineal-es-continua 118
Monos, epis e isos parte 1 120
sist-ec-lin-clase-17-abril-2020 133
Inversas derechas e izquierdas 149
Teoremazos_Funciones_lineales 156
Determinantes 163
Construccion de matrices 167
Coordenadas, matrices de cambios de base y teoremazos (sin missprints c
;) 182
Ejemplo paso a paso de cómo encontrar sistemas de coordenadas 195
Sist-coord-cambios-de-bases-teoremazos-ejercicios (1) 200
Teoremazo 1 en diagramas 1 205
Teoremazo1-en-diagramas 207
Ejemplo-clase-11-mayo-2020-1a2 211
Ejemplo-clase-11-mayo-2020 217
Hom-y-espacio-dual 223
Determinantes-Fisica 225
Valores y vectores propios 229
Ejercicios-valores-y-vectoes-propios-y-cambios de bases 233
Producto-directo-y-suma-directa 236
Ejercicios-importantes-traspuesta-e-introduccion-a-bilienales 240
Ejercicios-de-Tarea-soluciones 244
Álgebra Lineal I.
Transformaciones lineales o Funciones lineales
Parte 1.
Introducción: Cuando se tiene un objeto matemático, como los espacios vec-

toriales, queremos ver las relaciones (funciones) que hay entre ellos y principal-
mente las que preservan sus estructuras. Eso es lo que veremos en esta parte
del curso.

De…nición. Sean (V; +V ; V ), (W; +W ; W ) k-espacios vectoriales y f : V ! W
una función (de conjuntos). Diremos que f es una función (o transformación)
(k )lineal si: 8v; v 0 2 V; 8 2 k se tiene que
i) f (v +V v ) = f (v) +W f (v 0 )
ii) f ( V v) = W f (v)
Coloquialmente, se diría que f preserva las dos operaciones de espacios

vectoriales, es decir, "preserva sumas y multiplicación por escalares".

RECUERDEN QUE DESPUÉS DE UNA DEFINICIÓN, LO PRIMERO
QUE TIENE QUÉ HACER ES ENCONTRAR EJEMPLOS. La pregunta sería
¿de las funciones de conjuntos que conozco, alguna es lineal? También recuerden
que los No-ejemplos son también importantes.

Ejemplos y No-ejemplos.
1. La función identidad 1V es lineal.

Sea V un k espacio vectorial.
PD. 1V la función identidad es lineal, donde
1V : V ! V
x 7 ! x
Demostración:
PD. 8v; v 0 2 V; 8 2 k se tiene que
i) 1V (v +V v ) = 1V (v) +V 1V (v 0 )
ii) 1V ( V v) = V 1V (v)
Sean v; v 0 2 V y 2 k.
i) Como 1V (v +V v ) := v +V v =: 1V (v) +V 1V (v 0 ):
Entonces 1V (v +V v ) = 1V (v) +V 1V (v 0 ):p
ii) Como 1V ( V v) := V v =: V 1V (v):

Entonces 1V ( V v) = V 1V (v):
Por lo tanto, 1V es lineal.

2. TAREA: Sean (V; +V ; V ), (W; +W ; W) k-espacios vectoriales y 0W
V :
V ! W la función constante 0W : Es decir,
0W
V : V ! W
x 7 ! 0W
PD. La función 0W
V es lineal.

2.1. La función 0W
V es la única función lineal que es constante.
Demostración. Sean (V; +V ; V ), (W; +W ; W ) k-espacios vectoriales, w0 2

W …jo y tomemos la función constante ctew0 : V ! W , es decir
ctew0 : V ! W
x 7 ! w0
Supongamos que ctew0 es lineal.

PD. ctew0 = 0W
V :
PD. w0 = 0W :
Como ctew0 es lineal, entonces por (ii) para = 0k y v = 0V (o cualquier

vector en V; pero al menos el neutro aditivo seguro lo tiene V ) se tiene que
w0 = ctew0 (0k V 0V ) = 0k W ctew0 (0V ) = 0W

lineal W esp. vect.
Por lo tanto, w0 = 0W :
Por lo tanto, ctew0 = 0W
V :

3. EL EJEMPLO. CADA MATRIZ DEFINE UNA FUNCIÓN
LINEAL.
2 3
a11 a12 a1n
6 a21 a22 a2n 7
6 7
Proposición. Sea A = 6 . . . .. 7 2 Mm n (k) una matriz de
4 .. .
. . . . 5
am1 am2 amn
tamaño m n con coe…cientes en k:

A de…ne una función lineal, que denotaremos también como A : k n ! k m
de la siguiente manera:
0 1
0 1 0 1 (a11 k x1 ) + k +k (a1n k xn )
x1 x1 B (a21 C
B C B .. C := B k x1 ) + k +k (a2n k xn ) C
8 @ ... A 2 V; A @ . A B .. C
@ . A
xn xn
(an1 k x1 ) + k +k (amn x
k n )
Ejmplo l Ejmplo : TAREA. DEMOSTRARLO.

1 0 4
Sean k = R y A = :
3 2 2
0 1
x
x 4z
Entonces A : R3 ! R2 y A @ y A = :
3x + 2y + 2z
z

TAREA: 2 3
1 0 0
a) Demostrar (calcular) que la matriz 4 0 1 0 5 es la función identidad
0 0 1
1R3 : 2 3
0 0
3
b) Demostrar que la matriz 4 0 0 5 es la función 0R
R2 :
0 0
2 3
1 0
c) Demostrar que la matriz A = 4 0 1 5 : R2 ! R3 es una función
0 0
inclusión de R2 en R3 :
4. Demostrar que las siguientes funciones son lineales:

f: R[x] ! R[x]
4.1.
an xn + + a1 x + a0 7! an xn+1 + + a1 x2 + a0 x
@: R[x] ! R[x]
4.2. ¿la re-
an xn + + a1 x + a0 7! an nxn+1 + + a2 2x + a1
conocen? :)

5. OTRAS FUNCIONES LINEALES IMPORTANTES. TAREA: Demostrar
que las siguientes funciones son lineales.
Sean (V; +V ; V ), (W; +W ; W ) k-espacios vectoriales. Entonces
5.1. Sea V W = f(v; w); v 2 V y w 2 W g el producto directo de V con W:

Recordemos que es un k-espacio vectorial con las siguientes operaciones:
8(a; b); (c; d) 2 V W y 8 2 k:
(a; b) + (c; d) := (a +V c; b +W d) y (a; b) := ( V a; W b):
PD. Las siguientes funciones, llamadas proyecciones, son lineales.
V : V W ! V W : V W ! W
y
(v; w) 7 ! v (v; w) 7 ! w
V
5.2. Sean W V k-subespacio vectorial de V y W = f[x]W ; x 2 V g su k-
espacio vectorial cociente.
Recordemos que es un k-espacio vectorial con las siguientes operaciones:
V
8 [x]W ; [y]W 2 W y8 2k
[x]W + [y]W := [x +V y]W y [x]W := [ V x]W
PD. La siguiente función es lineal.
V
p: V ! W .
x 7! [x]W
Observaciones. Sea f : V ! W función entre k-espacios vectoriales. Demostrar

O.1. f (0V ) = 0V
O.2. 8x 2 V; f ( x) = f (x); donde x (resp. f (x)) es el inverso aditivo de
x (resp. f (x)) en V (resp. W ).
:)

Álgebra Lineal I.
Parte 2
De…nición: Sean (V; +V ; V ), (W; +W ; W ) k-espacios vectoriales y f : V ! W

i) f (v +V v ) = f (v) +W f (v 0 )
ii) f ( V v) = W f (v)
Hoy veremos más ejemplos de funciones lineales y cómo se comportan.

1. La función identidad 1V es lineal.
1V : V ! V
x 7 ! x
2. Sean (V; +V ; V ), (W; +W ; W) k-espacios vectoriales. La función constante

0W , 0W
V : V:
0W
V : V ! W
x 7 ! 0W

3. EL EJEMPLO. CADA MATRIZ DEFINE UNA FUNCIÓN
LINEAL.
2 3
a11 a12 a1n
6 a21 a22 a2n 7
6 7
Proposición. Sea A = 6 . . . .. 7 2 Mm n (k) una matriz de
4 .. .
. . . . 5
am1 am2 amn

A de…ne una función lineal, que denotaremos también como A : k n ! k m
de la siguiente manera:
0 1
0 1 0 1 (a11 k x1 ) + k +k (a1n k xn )
x1 x1 B (a21 C
B C B .. C := B k x1 ) + k +k (a2n k xn ) C
8 @ ... A 2 V; A @ . A B .. C
@ . A
xn xn
(an1 k x1 ) + k +k (amn x
k n )
n m
TAREA.0PD. A
1: k0 ! k1 es una 0
función
0 k-lineal.
1 0 11 0 1
x1 y1 x1 y1 x1
B C B .. C BB .. C B .. CC B .. C+ m
i). PD. 8 @ ... ;
A @ . A 2 V; A @@ . A +kn @ . AA = A @ . A k
xn yn xn yn xn
0 1
y1
B C
A @ ... A :
yn
0 1 0 0 11 0 1
x1 x1 y1
B C B B .. CC B C
ii). PD. 8 @ ... A 2 V; 8 2 k; A @ kn @ . AA = km A @ ... A :
xn xn yn
1 0 4
Ejemplo del Ejemplo: Sean k = R y A = :
3 2 2
01
x
x 4z
Entonces A : R3 ! R2 y A @ y A = :
3x + 2y + 2z
z

Ejemplos de
2 funciones3conocidas que son lineales :)
1 0 0
a) La matriz 4 0 1 0 5 es la función identidad 1R3 :
0 0 1
2 3
0 0
3
b) La matriz 4 0 0 5 es la función 0RR2 :
0 0
1 0
c) La matriz R = : R2 ! R2 es una función re‡exión en R2 ¿cuál?
0 1
cos sen
d) La matriz Rot = : R2 ! R2 es la función rotación en
sen cos
ángulo .
e) La traslación NO es lineal (salvo la traslación en 0; que es la identidad).

2
Por ejemplo, sea v = :
3
trv : R2 ! R2
x x+2
7!
y y 3
TAREA. Demostrar que trv no es lineal.

Observaciones. Sea f : V ! W función lineal entre k-espacios vectoriales.
Demostrar
O.1. f (0V ) = 0V (pues f (0V ) = f (0 V 0V ) = 0k W f (0V ) = 0W ).
W esp.vect.
Dem.: Sea x 2 V:
PD. f ( x) = f (x):
Recordemos que demostramos que x = ( 1k ) V x: Entonces
f ( x) = f (( 1k ) V x) = ( 1k ) W f (x) = f (x);p
f lineal

NOTA: Por comodidad, si no hay confusión, no pondremos los
subíndices en las operaciones de + y .
O.3 Líneas que pasan por el 0V van a líneas que pasan por el 0W ó a la
línea degenerada 0W .
Una línea L que pasa por el 0V ; es un k-espacio vectorial, a saber: 9x 2 V

tal que L = hfxgi = f x 2 V ; 2 kg:
Ahora, como f es lineal, 8 2 k; f ( x) = f (x):

Es decir,
"f (L)" := ff ( x) 2 W ; 2 kg = f f (x) 2 W ; 2 kg = hff (x)gi
una línea que pasa por 0W si f (x) 6= 0W
=
f 0W g si f (x) = 0W

O.4. ¿Y qué pasa con las Líneas en general? También bajo f van a
líneas o líneas degeneradas.
Recordemos que si x; y 2 V entonces la línea que pasa por x y y, Lx;y =

f x + (1 )y 2 V ; 2 kg.
Entonces la imagen de Lx;y ; "f (Lx;y )" = ff ( x + (1 )y) 2 W ; 2

kg = f f (x) + (1 )f (y) 2 W ; 2 kg = Lf (x);f (y) (que puede ser degen-
f lineal
erada si f (x) = f (y) = 0W :
1 2
TAREA PARA ENTREGAR MAÑANA. En k = R; A = : Dibu-
3 6
jar las siguientes líneas y las imágenes de éstas bajo A:
1
1.
1
2. L0 10 1
@
1 A;@
0 A
0 1
2
3.
1

Álgebra Lineal I.
Parte 3
Recordemos. Sean (V; +V ; V ), (W; +W ; W ) k-espacios vectoriales y f : V ! W

(k )lineal si y sólo si 8v; v 0 2 V; 8 2 k se tiene que
i) f (v +V v ) = f (v) +W f (v 0 )
ii) f ( V v) = W f (v)
El siguiente resultado, muestra que f preserva subespacios vec-

toriales. Más aún, el conjunto de funciones lineales de un espacio
vectorial V a otro W; Homk (V; W ); es también un espacio vectorial.

Proposición-De…nición. Sean V; U y W k-espacios vectoriales. Entonces
1. Sean f : V ! W y g : W ! U funciones k-lineales. Demostrar que la
composición usual de funciones g f : V ! U , (g f ) (v) := g(f (v)); 8v 2 V ,
es k-lineal.
2. Sean V un k espacio vectorial y U V k-subespacio vectorial de V: En-
tonces la función inclusión U : U ! V tal que 8x 2 U; U (x) := x; es una
función lineal.
3. 8f : V ! W función lineal, la imagen de f; Im f := ff (x) 2 W ; x 2 V g
W y el núcleo de f; ker f := fx 2 V ; f (x) = 0W g V son k-subespacios
vectoriales de W y V; respectivamente.
4. 8f : V ! W función lineal,8U V k-subespacio vectorial de V: Entonces
"f (U )" := ff (x) 2 W : x 2 U g W es k-subespacio vectorial de W:
Observación: "f (U )" = Im(f U ): Por lo tanto, "f (U )" = Im(f U ) es
k-subespacio vectorial de W:
5. 8f; g : V ! W funciones lineales, f + g : V ! W es también lineal, donde
f +g : V ! W
x 7 ! f (x) + g(x)
6. 8f : V ! W función lineal, 8 2 k; f : V ! W es también lineal, donde
f: V ! W
x 7 ! f (x)
7. Notación. Homk (V; W ) := ff ; f : V ! W función k-linealg denotará al

conjunto de funciones lineales de V en W:
Entonces Homk (V; W ) es un k espacio vectorial con la suma y producto
por escalares de…nido en (1,2).

Demostración.
1. Sean f : V ! W y g : W ! U funciones k-lineales.
PD. g f : V ! U , (g f ) (v) := g(f (v)); 8v 2 V , es k-lineal.
PD. 8v; v 0 2 V; 8 2 k
(g f )(v +V v 0 ) = (g f )(v) +W (g f )(v 0 ) y (g f )( V v) = W (g f )(v):
1.1. Sean v; v 0 2 V:
PD. (g f )(v +V v 0 ) = (g f )(v) +W (g f )(v 0 ):
Como
(g f )(v +V v 0 ) := g(f (v +V v 0 ))
= g(f (v) +W f (v 0 ))
f lineal
= g(f (v)) +U g(f (v 0 )))
g lineal
=: (g f )(v) +U (g f )(v 0 ):X
1.2. Sean v 2 V y 2 k
PD. (g f )( V v) = W (g f )(v):
Como
(g f )( V v) := g(f ( V v))
= g( W f (v))
f lineal
= U g(f (v))
g lineal
=: U ((g f )(v)) :X
Por lo tanto la composición de funciones lineales, g f es lineal.X
Ejemplo:
Sean k = R;
f: R2 ! 0 R3 1 g: 0R 1
3
! R2
x y x
x @ A y @ y A 3x y :
7 ! 3x 7 !
y y + 2z
5x + 5y z
Entonces
g f: R2 ! R2
x 3y
7 !
y 13x + 10y
2. Hacerlo de TAREA.
3.A. PD. 8f : V ! W función lineal, la imagen de f; Im f := ff (x) 2 W ; x 2
V g W es un k-subespacio vectorial de W:
Sea f : V ! W función lineal.
PD. Im f := ff (x) 2 W ; x 2 V g W es un k-subespacio vectorial de W:
PD.
3.1. 0W 2 Im f:
3.2. 8w; w0 2 Im f; w + w0 2 Im f:

3.3. 8w 2 Im f; 8 2 k; w 2 Im f:
3.A.1. PD. 0W 2 Im f:
Demostramos que f (0V ) = 0W : Entonces 0W 2 Im f:X
3.A.2. Sean w; w0 2 Im f:
PD. w + w0 2 Im f:
Como w; w0 2 Im f; entonces 9v; v 0 2 V , w = f (v) y w0 = f (v 0 ):

Entonces w + w0 = f (v) + f (v 0 ) = f (v + v 0 ):X
f lineal
3.A.3. Sean w 2 Im f y 2 k:
PD. w 2 Im f:
Como w 2 Im f; entonces 9v 2 V , w = f (v).

Entonces w = f (v) = f ( v):X
f lineal
Por lo tanto, Im f es k-subespacio vectorial de W:
3.B. TAREA para entregar el viernes 27-marzo-2020. 8f : V ! W

función lineal, el núcleo de f; ker f := fx 2 V ; f (x) = 0W g V es k-subespacio
vectorial de V:

4. Sean f : V ! W función lineal y U V k-subespacio vectorial de V:
PD. "f (U )" := ff (x) 2 W : x 2 U g W es k-subespacio vectorial de W:
Observación: "f (U )" = Im(f U ): Por lo tanto, "f (U )" = Im(f U ) es
k-subespacio vectorial de W:
Otra demostración: demostrar a pie que "f (U )" es k espacio vectorial de

W:X

5. PD. 8f; g : V ! W funciones lineales, f + g : V ! W es lineal.
Sean f; g : V ! W funciones lineales.
PD. f + g es lineal.
Sean x; y 2 V:
PD. (f + g)(x +V y) = (f + g)(x) +W (f + g)(y):
(f + g)(x +V y) := f (x +V y) +W g(x +V y)
= (f (x) +W f (y)) +W (g(x) +W g(y))
f;g lineales
= (f (x) +W g(x)) +W (f (y) +W g(y))
conm .,aso c.
=: (f + g)(x) +W (f + g)(y)
Sean x 2 V y 2 k:
PD. (f + g)( V x) = W (f + g)(x):
(f + g)( V x) := f ( V x) +W g( V x)
= [ W (f (x))] +W [ W g(x)]
f;g lineales
= W (f (x) +W g(x))
dist.,aso c.
=: W (f + g)(x)
Por lo tanto, f + g es lineal.X
Ejemplo (para …jar ideas):

Sean k = R;
f: R2 ! 0 R3 1 g: R2 ! 0 R3 1
x y 3x y
x @ A y x @ A :
7 ! 3x 7 ! 0
y y
5x + 5y x 7y
Entonces
f +g : R2 ! 0 R3 1
4x 2y
x @ A
7 ! 3x
y
6x 2y

6. TAREA. PD. 8f : V ! W función lineal, 8 2 k; f : V ! W es
lineal.
Sean f : V ! W función lineal y 2 k:
PD. f es lineal.
PD. 8v; v 0 2 V; 8 2 k
6.1. ( f )(v +V v 0 ) = ( f )(v) +W ( f )(v 0 ) y
6.2. ( f )( V v) = W ( f )(v):
¡Cuidade en (6.2)! f es una función y queremos demostrar que saca es-
calares.
Ejemplo.
f: R2 ! 0 R3 1
x y
Sea =5y x @ A : Entonces
7 ! 3x
y
5x + 5y
5f : R2 ! 0 R3 1
5x 5y
x @ A
7 ! 15x
y
25x + 25y

7. TAREA. Demostrar que (Homk (V; W ); +; ) es un k espacio vectorial.

TAREA.
a). Sea R el conjunto de los números reales con su suma y producto usuales.
En R, tomemos su valor absoluto, es decir,
si 0 p
j j= . Es decir, j j = 2:
si <0
También para cualquier naturalpn 1; tenemos varias normas, pero tomemos

la usual, es decir k(x1 ; :::; xn )k = x21 + + x2n :
T RAT EN DE HACERLO; P ERO N O U RGE : Sea f : Rn ! Rm una

f uncion lineal; entonces f es una f uncion continua:
b) Al menos (pero tampoco urge) demostrar que la función R-lineal que de…ne
1 4
la matriz A = es continua.
1 0
1 4
c) Sea A = la matriz real del inciso (b). Dibujen en el plano, por
1 0
favor, las siguientes …guras y sus imágenes bajo A:
x
c.1). S1 := 2 R 2 ; x2 + y 2 = 1 :
y
x
c.2). S2 := 2 R 2 ; y = x2 :
y
x
c.3) S3 := 2 R2 ; x = 1 y y 2 [ 1; 1]
y
[ x
2 R2 ; x = 1 y y 2 [ 1; 1]
y
[ x
2 R2 ; y = 1 y x 2 [ 1; 1]
y
[ x
2 R2 ; y = 1 y x 2 [ 1; 1]
y
el cuadrado.

Funciones lineales
Parte 4
0. Recordemos que f : V ! W función entre k-espacios vectoriales es (k-)lineal

si: 8v; v 0 2 V; 8 2 k se tiene
i) f (v +V v ) = f (v) +W f (v 0 )
ii) f ( V v) = W f (v)
TAREA. Sea f : V ! W función entre k-espacios vectoriales. Demostrar
f es k-lineal , (8v; v 0 2 V; 8 ; 2 k; f (( V v)+V ( V v )) = [ W f (v)]+W
[ W f (v 0 )]).
00. Sean f : V ! W y g : W ! U funciones k-lineales. Entonces la
composición usual de funciones g f : V ! U , (g f ) (v) = g(f (v)); 8v 2 V , es
k-lineal.
000. Y hemos visto varios ejemplos de funciones lineales.

F La siguiente pregunta que nos podemos hacer, sabiendo algunas cosas
de funciones de conjuntos, es ¿cuáles funciones son inyectivas o suprayectivas o
biyectivas y cómo se ven siendo éstas funciones lineales?
0000. Recordemos lo que son las funciones inyectivas, suprayectivas (sobreyec-

tivas) y biyectivas en conjuntos.
Sea f : X ! Y una función de conjuntos de X a Y: Entonces
a) f es una función inyectiva () 8a; b 2 X; [f (a) = f (b)] =) [a = b]

() 8a; b 2 X; [a 6= b] =) [f (a) 6= f (b)] :
Es decir, elementos distintos del dominio van a elementos distintos del con-
tradominio.
b) f es una función suprayectiva o sobreyectiva () 8c 2 Y:9a 2 X; f (a) = b

() Im f = Y:
c) f es una función biyectiva () f es inyectiva y suprayectiva

() 8a 2 X; 9!c 2 Y; f (a) = c
() 9f 1 : Y ! X; f 1 f = 1X y f f 1 = 1Y
Observen que para cada a 2 X la existencia de c 2 Y; con c = f (a); se da
por ser f suprayectiva y la unicidad de c con la propiedad de que c = f (a) es
porque f es inyectiva.

Monomor…smos, Epimor…smos e Isomor…smos.
1. De…nición: Sea f : V ! W k-lineal. Diremos que

a) f es un monomor…smo si f es función inyectiva.
b) f es un epimor…smo si f es una función suprayectiva (o sobreyectiva)
c) f es un isomor…smo si f es una función biyectiva (= inyectiva y suprayec-
tiva).
En este caso diremos que V es isomorfo a W ó V y W son (espacios vecto-
riales) isomorfos. y se denotará V ' W:
2. Sea V un k-espacio vectorial. Entonces la función identidad es un isomor-
…smo.
3. Sean V y W k-espacios vectoriales y 0W
V :V ! W la función constante 0W :
Entonces
3.a. 0WV es un monomor…smo () V = f0V g:
3.b. 0WV es un epimor…smo () W = f0W g:
3c. 0WV es un isomor…smo () V = f0V g y W = f0W g:
4. La función derivada
@: R[x] ! R[x]
an xn + + a1 x + a0 7! an nxn 1 + + a2 2x + a1
es lineal, es epimor…smo. pero No es monomor…smo.
Demostración.
4.a. PD. @ es R-lineal.
PD. 8p(x); q(x) 2 R[x]; 8 2 R,
@(p(x) + q(x)) = @(p(x)) + @(q(x)) y
@( P (x)) = @(p(x)):
Sean p(x) = an xn + + a1 x + a0 y q(x) = bm xm + + b1 x + b0 :

PD. @(p(x) + q(x)) = @(p(x)) + @(q(x)):
Como m n ó m > n: Agregando un número su…ciente de 0R ’s, podemos
suponer que n = m:
Entonces
@(p(x) + q(x)) = @((an xn + + a1 x + a0 ) + (bn xn + + b1 x + b0 ))
= @([an +R bn ] xn + + [a1 +R b1 ]x + [a0 +R b0 ]) =
:= [an +R bn ] nxn 1 + + [a2 +R b2 ]2x + [a1 +R b1 ] =
= (an nxn 1 + + a2 2x + a1 ) + (bn nxn 1 + + b2 2x + b1 )
conm .,aso c.,dist.
=: @(p(x)) + @(q(x)):X
4.b. Sean p(x) = an xn + + a1 x + a0 y 2 R:
PD. @( p(x)) = @(p(x)):
Entonces
@( p(x)) = @( (an xn + + a1 x + a0 ))
= @([ R an ] xn + + [ R a1 ]x + [ R a0 ]) =

:= [ R an ] nxn 1 + + [ R a2 2]x + [ R a1 ] =
= (an nxn 1 + + a2 2x + a1 )
dist.
=: @(p(x)):X
Por lo tanto, @ es una función lineal.

4. La función derivada
@: R[x] ! R[x]
es epimor…smo. pero No es monomor…smo.
4.c. PD. @ es un epimor…smo.
PD. 8p(x) 2 R[x]; 9q(x) 2 R[x]; @(q(x)) = p(x):
Sea p(x) = an xn + + a1 x + a0 :
PD. 9q(x) 2 R[x]; @(q(x)) = p(x):
(Recuerden que para demostrar el "9" tenemos que dar al menos un y basta
con un polinomio q(x)).
an n+1
Denotemos por q(x) := n+1 x + ann 1 xn + + a32 x3 + a21 x2 + a0 x 2 R[x]
(Vean que todos los cocientes se pueden hacer y q(x) es un polinomio en
R[x]).
Entonces (calcúlenlo por favor), @(q(x)) = p(x):

Por lo tanto, @ es un epimor…smo.X
4.d. PD. @ NO es un monomor…smo.

PD. 9p(x); q(x) 2 R[x]; [@(q(x)) = @(p(x))] y [q(x) 6= p(x)]:
(Por favor, también practiquen la lógica proposicional, haciendo la negación
de la de…nición de monomor…smo).
Sean (por ejemplo, pues sólo tenemos que dar dos polinomios), p(x) = x + 3
y q(x) = x:
Entonces p(x) 6= q(x) y @(p(x)) = 1 = @(q(x)):
Por lo tanto, @ no es un monomor…smo.

5. ¿Podrán encontrar algún subespacio vectorial V R[x] tal que la función
derivada der : V ! R[x] sea monomor…smo?

6. Sean V y W k-espacios vectoriales y V W := f(v; w); v 2 V y w 2 W g
su producto directo.
Recuerden que (v; w)+(v 0 ; w0 ) = (v+v 0 ; w+w0 ) (las sumas en sus respectivos
espacios vectoriales) y
(v; w) = ( v; w) (los productos por escalares en sus respectivos espacios
vectoriales).
De…nimos unas funciones lineales llamadas las proyecciones canónicas como
V: V W ! V W : V W ! W
y
(v; w) 7 ! v (v; w) 7 ! w
que son funciones lineales.
Demostraremos que son epimor…smos.
PD. V es un epimor…smo.
PD. 8v 2 V; 9(x; y) 2 V W; V ((x; y)) = v:
Tomemos por ejemplo, (v; 0W ) 2 V W:
Y además, V ((v; 0W )) = v:
Por lo tanto, V es un epimor…smo.
TAREA: Traten de demostrar, sin ver lo anterior, que W es un epimor…smo.

7. Sean V y W k-espacios vectoriales y V W := f(v; w); v 2 V y w 2 W g
su producto directo.
Recuerden que (v; w)+(v 0 ; w0 ) = (v+v 0 ; w+w0 ) (las sumas en sus respectivos
espacios vectoriales) y
(v; w) = ( v; w) (los productos por escalares en sus respectivos espacios
vectoriales).
TAREA. PD. f la función de…nida a continuación es lineal y es un isomor…smo.

f: V W ! W V
(v; w) 7 ! (w; v)
NOTA: Como conjuntos NO son iguales, ni como espacios vectoriales, pero SÍ
son isomorfos. Después veremos cómo tratar a los espacios vectoriales isomorfos.

TAREA. 8. Sea V un k-espacio vectorial.
PD. V f0g ' V:
Demostrando que la siguiente función es lineal y es un isomor…smo.
g : V f0g ! V
(v; 0) 7 ! v

9. Sean V un k-espacio vectorial, W V un k-subespacio vectorial de V y
V
W = f[x]W ; x 2 V g su espacio cociente.
Recordemos que la relación de equivalencia que de…ne a este espacio cociente
es W :
8x; y 2 W; x W y si y sólo si x y 2 W:
POR FAVOR, para l@s que necesiten recordar esto. Traten de demostrar
que W es una relación de equivalencia y demostrar que
8x 2 V; [x]W = fx + w 2 V ; w 2 W g
Y que la suma y producto por escalares están bien de…nidas y hacen que el
espacio cociente sea un k-espacio vectorial, donde
[x]W + [y]W := [x +V y]W y [x]W := [ V x]W :
Recordemos que de…nimos la siguiente función lineal

V
p: V ! W
x 7! [x]W
10

V
p: V ! W
Sea
x 7! [x]W
PD. p es un epimor…smo.
Demostración.
V
PD. 8 [x]W 2 W ; 9v 2 V; p(v) = [x]W :
Sea [x]W y observamos que p(x) = [x]W :
Por lo tanto, p es un epimor…smo.
Tarea. Demostrar que si W = f0g: Entonces p es un isomor…smo.
11

10. De las siguientes matrices, encontrar la imagen, el núcleo y decir (pro-
bar) si su función lineal es monomor…smo, epimor…smo, isomor…smo. Sino, por
qué.
1 5 1
10.1. A1 =
4 5 0
2 3
1 4
10.2. A2 = 4 5 5 5
1 0
1 4
10.3. A3 =
5 5
1 4
10.4. A4 =
2 8
Haré el 10.1. como ejemplo.

1 5 1
10.1. A1 =
4 5 0
La intuición es muy importante.
Dibujen, dibujen, dibujen!!
Por ejemplo, veamos cuál es la imagen de A1 :

0 1
x
1 5 1 @ y A= x + 5y + z
4 5 0 4x 5y
z
PERO observen:
0 1
1
1 5 1 @ A= 1
0 ;
4 5 0 4
0 0 1
0
1 5 1 @ A= 5
1
4 5 0 5
0 0 1
0
1 5 1 @ A= 1
0
4 5 0 0
1
0 1
x
1 5 1 @ y A=
Entonces
4 5 0
z
12

20 1 0 1 0 13
0 0 0
1 5 1 4@x 0 A + y @
= 1 A + z @ 0 A5 =
4 5 0
1 0 1
1 5 1
=x +y +z :
4 5 0
Es decir,
1 1 5
Im A1 = ; y :
0 4 5
1 1 5
Dibujen estos tres vectores: ; y
0 4 5
¿Qué generan? Sí, todo R2 .
1 0
Hay que demostrarlo, como sabemos, : genera a R2 :
0 1
1
2 Im A1 :
0
0
Por lo que basta demostrar que 2 Im A1 :
1
Es decir,
0
PD. 2 Im A1
1
0 1 1 5
PD. 2 ; ;
1 0 4 5
Encontrar ; ; 2 R tales que

PD. Existen ; ; 2 R tales que
0 1 1 5
= + + :
1 0 4 5
demostración:
0 1 1 5
= + +
1 0 4 5
si y sólo si
0 + +5
=
1 4 5
si y sólo si (háganlo por favor) y hacen observaciones de lo que encuentren,
por lo pronto
0 1 1 1 1
= 4 + 4
1 0 4
0 1
Por lo tanto, R2 = ; Im A1 R2 :
1 0
Por lo tanto, A1 es suprayectiva.X
PD. A1 no es monomor…smo (aquí también traten de usar la intuición, luego

veremos que en el caso de funciones lineales es muy fácil ver cuándo una función
lineal es monomor…smo).
13

0 1
1
1 5 1 5 0
@ 4 A= =
4 5 0 25 0
1
0 1
0
1 5 1 @ A
0
4 5 0
0
0 1 0 1
1
0 5
y @ 0 A 6= @ 4
25
A:
0 1
Por lo tanto, A1 no es monomor…smo.
Por lo tanto, A1 es epimor…smo y no es monomor…smo.
14

Funciones Lineales
Parte 5
Más ejercicios y observaciones.
Sea f : V ! W una función k-lineal. Entonces fíjense:

Si queremos ver si f es un monomor…smo (inyectiva) o si no lo es, tenemos
que analizar cuándo f (x) = f (y) para x; y vectores en V: Entonces ¡observen!
F En el dominio de f; V; la siguiente es una relación de equivalencia:

Para todo x; y 2 V; x y si y sólo si f (x) = f (y):
TAREA. Demostrar que es una relación de equivalencia y que [x] = fy 2
V ; f (x) = f (y)g:

F Ahora observemos!
Sea f : V ! W una función k-lineal.
Sean x; y 2 V: Entonces
f (x) = f (y) si y sólo si f (x) f (y) = 0W

si y sólo si f (x y) = 0W
si y sólo si x y 2 ker f
¿A qué les suena?

¿A qué les suena?
Sea f : V ! W una función k-lineal.
Sean x; y 2 V: Entonces
f (x) = f (y) si y sólo si f (x) f (y) = 0W

si y sólo si f (x y) = 0W
si y sólo si x y 2 ker f
si y sólo si x ker f y
donde les recuerdo que ker f V es k subespacio vectorial de V y ker f

es la relación de equivalencia que de…ne ker f (es decir, x ker f y si y sólo si
x y 2 ker f ).
Es decir, en el caso de funciones lineales tenemos lo siguiente:
8x; y 2 V; (x ker f y) () (f (x) = f (y)) :
Además ya sabemos cómo se ven las clases de equivalencia de ker f :
[x] ker f = fy 2 V : f (x) = f (y)g = fx + v 2 V ; v 2 ker f g que es el núcleo

ker f trasladado a x:
Es decir, [x] ker f es, como conjunto, biyectivo a ker f (Como conjunto!)
Entonces ya podemos responder Cuándo f es un monomor…smo (inyectiva)?

Pues exactamente cuando ker f = f0V g:

Ejemplo: Siguiendo con el ejemplo,
1 5 1
A1 = : R3 ! R2 :
4 5 0
Calculemos el ker A1 : Lo pueden hacer a pie o usar la computadora.

0 1
x
1 5 1 @ y A= 0
4 5 0 0
z
si y sólo si
1 0
x
1 5 1 @
y A=
4 5 0
z
x + 5y + z 0
= =
4x 5y 0
si y sólo si
x + 5y + z = 0 y 4x 5y = 0
si y sólo si
x = 54 y y x + 5y + z = 45 y + 5y + z = 0
si y sólo si
x = 45 y y 25
4 y =z
si y sólo si
0 1 0 5
1
x 4
@ y A = y@ 1 A
25
z 48 9
0 5
1
< 4 =
Entonces ker A1 = y@ 1 A;y 2 R :
: 25 ;
4
TAREA:
1. Dibujar en R3 el ker A1 :
Ahora (parte-4 (10.1)), vimos antes que A1 es un epimor…smo (suprayectiva).

80 1 0 1 9
< x x =
1
2. Encontrar @ y A 2 R3 ; A1 @ y A = de la siguiente manera:
: 4 ;
z z
1
Encontrar un vector particular v 2 R3 tal que A1 v = y luego encontrar
4
[v] ker A1 y vean (a pie, pues realmente ya lo demostramos en general) que ésos
1
son todos los vectores que bajo A1 van a :
4
TAREA:
a) Hacer lo mismo para las matrices del punto (10) de la parte-4 de funciones
lineales. Y jueguen buscando estas clases de equivalencia y hagan observaciones.
b) Encontrar ker @ donde @ de la función derivada

@: R[x] ! R[x]

Proposición. Sea f : V ! W una función k lineal. Entonces
f es un monomor…smo (inyectiva) () ker f = f0V g
Demostración:
=)) Sea f : V ! W un monomor…smo.

PD. ker f = f0V g
Sea v 2 ker f: Es decir, f (v) = 0W :

PD. v = 0V :
Como f es lineal =) f (0V ) = 0W =) f (0V ) = 0W = f (v) =) 0V = v:

v2ker f f m ono
Por lo tanto, ker f = f0V g:X
(=) Sea f : V ! W lineal tal que ker f = f0V g:

PD. f es un monomor…smo (inyectiva).
PD. 8x; y 2 V; [f (x) = f (y)] =) [x = y]:
Sean x; y 2 V; f (x) = f (y):

PD. x = y:
f (x) = f (y) () f (x y) = 0W () x y 2 ker f () x=y

f lineal def. ker f ker f =f0V g
Por lo tanto, f es un monomor…smo.
Lema-De…nición: Sea f : V ! W una función k lineal y sea U W

k subespacio vectorial de W . Entonces
1
Denotaremos por "f "[U ] := fx 2 V ; f (x) 2 U g la imagen inversa de U
bajo f:
TAREA. PD. "f 1 "[U ] V es k subespacio vectorial de V:

Observación. "f 1 "[f0W g] = ker f:
1
NOTA: "f "NO denota la función inversa de f , que podría no tener inversa.

Funciones Lineales entre espacios vectoriales
…nitamente generados
Parte 6
Antes de que veamos más sobre monos, epis e isos, veamos funciones lineales
entre espacios vectoriales …nitamente generados para …jar ideas, poder dibujar
y utilizar la fuerza de tener bases.
Empecemos con un ejemplo concreto y veamos qué tanta información podemos

sacar de éste.
2 3
1 1 2
6 2 1 1 7
Sea A = 6 7 3 4
4 0 1 3 5 : R ! R la función R-lineal de…nida por A:
1 1 4
2 3 0 1
1 1 2 0 1 x + y + 2z
6 2 x
1 1 7 B 2x + y + z C
Es decir, 6
4 0
7@ y A = B C es R-lineal.
1 3 5 @ y + 3z A
z
1 1 4 y x + 4z

1. Para ver si A es un monomor…smo (inyectiva). Entonces (por la proposi-
ción de la parte 5) basta encontrar8el
0 núcleo
19 de A; que nos dice que A es
< 0 =
mono(mor…smo) si y sólo si ker A = @ 0 A :
: ;
0
Ahora, por de…nición

8 0 19
> 0 1 0 1 0 >
>
< x x >
=
B 0 C
ker A = @ y A 3
2 R ;A @ y A B C
=@ A :
>
> 0 > >
: z z ;
0
Lo saqué usando Maple, en donde dice Nullspace Basis, que saca una base
del núcleo. O háganlo a pie.
2 3
1 1 2 0 1
6 2 7 1
1 1 7
A=6
4 0 , nullspace basis: @ 3 A
1 3 5
1
1 1 4
*80 1 19+
< =
Es decir, ker A = @ 3 A y dimR ker A = 1:
: ;
1
80 19
< 0 =
Por lo tanto, ker A 6= @ 0 A :
: ;
0
Por lo tanto, A no es monomor…smo.

2. Veamos si A es un epimor…smo.
Recordemos que
2 3 0 1
0 1 1 1 2 0 1 x + y + 2z
x 6 2 x
1 1 7 B 2x + y + z C
A@ y A = 6
4 0
7@ y A = B C.
1 3 5 @ y + 3z A
z z
1 1 4 y x + 4z
Pero también,
0 1 2 0 1 0 1 0 13
x 1 0 0
A @ y A = A 4x @ 0 A + y @ 1 A + z @ 0 A5 =
z 0 0 1
0 1 0 1 0 1
1 0 0
= xA @ 0 A + yA @ 1 A + zA @ 0 A =
0 0 1
0 1 0 1 0 1
1 1 2
B 2 C B 1 C B C
= xB C B C + zB 1 C:
@ 0 A+y@ 1 A @ 3 A
1 1 4
Es decir, la imagen de A, está generada por las columnas de A:

80 1 0 1 0 19
*>> 1 1 2 > >+
 @ 0 A ; @ 1 A ; @ 3 A>
>
: >
;
1 1 4
Como la imagen está generada por 3 vectores y cada conjunto generador

contiene una base, tenemos que dimR Im A 3: Por lo tanto, la imagen no
puede ser todo R4 .
Por lo tanto, A no es tampoco un epimor…smo (sobreyectiva).

80 1 0 1 0 19
>
> 1 1 2 > >

>
> >
: ;
1 1 4
entonces contiene una base de Im A. Vamos a hallar una base de Im A contenida
en este conjunto.
Veremos después, ya con más herramienta algebraica, que podemos sacar la

base de la imagen fácilmente, 8
pero
0 por 1lo pronto:
0 19
>
> 1 1 > >

> 0 A @ 1 A> >
: ;
1 1
entes (pues en la coordenada 3, el primer vector tiene un 0 y el otro un 1; por
lo tanto ninguno puede ser múltiplo escalar del otro).
A continuación, veamos qué sucede cuando queremos ver si los tres vectores
forman un conjunto linealmente independiente o no:
Veremos si el tercer vector puede ser combinación lineal de los anteriores:

0 1 0 1 0 1
1 1 2
B 2 C B 1 C B 1 C
B C B C=B C
@ 0 A+ @ 1 A @ 3 A
1 1 4
si y sólo si
0 1 1
0
+ 2
B 2 + C B 1 C
B C=B C
@ A @ 3 A
+ 4
si y sólo si
=3y = 1: (Rellenen los pasos que me salté por favor).
Por lo tanto,
0 1 80 1 0 19
2 *>> 1 1 >
>+
B 1 C @ 0 A ; @ 1 A> :
>
: >
;
4 1 1
Es decir,

80 1 0 19 80 1 0 19
*>
> 1 1 > >+ >
> 1 1 >
>
 y @ 0 A;@ 1 A>
>
> > >
> >
: ; : ;
1 1 1 1
agen de A: Entonces Im A es un plano.

2 3
1 1 2
6 2 1 1 7
Por lo tanto, A = 6
4 0 1
7 : R3 ! R4 no es monomor…smo ni
3 5
1 1 4
epimor…smo con dimR Im A = 2 y dimR ker A = 1:
¿Van conmigo? :D
Sino, por favor vuelvan a leer esta parte y saquen dudas.
*80 1 19+
< =
Cuyo núcleo, es ker A = @ 3 A =
: ;
8 0 1 9 1
< 1 =
= @ 3 A 2 R3 ; 2 R :
: ;
1
3. Ahora, por ejemplo, encontremos la imagen inversa de algún vector en Im A;

280 193 8 0 19
> 1 > > 0 1 0 1 1 >
> > > >
6 0 A> 5 := > y @ 0 A> :
>
: >
; >
: z z >
;
1 1
0 1
1
B 2 C
Sabemos que este conjunto es distinto del vacío, pues B C
@ 0 A 2 Im A:
1
2 3 0 1
1 1 2 0 1 1
6 2 1
1 1 7 B C
7@ 0 A = B 2 C:
De hecho, 6
4 0 1 3 5 @ 0 A
0
1 1 4 1
0 1
1
Y por lo que ya vimos, es el ker A trasladado a @ 0 A:
0
280 193 8 0 19
> 1 > > 0 1 0 1 1 >
>
< >
= > x
< >
6 B
1 6 B 2 C 7
C 7 x B 2 C=
"A " 4 @ = @ y A 2 R ;A@ y A = B
3 C =
>
> 0 A> >
5 >
> z
@ 0 A>
>
: ; : z ;
80 1 0 1 9 1
1 0 1
< 1 x x =
= @ 0 A + @ y A 2 R3 ; @ y A 2 ker A =
: ;
80 0 1 0z 1 z 9
< 1 1 =
= @ 0 A + @ 3 A 2 R3 ; 2 R :
: ;
0 1

Dibujen por favor el núcleo de A y el conjunto anterior.

4. Demostremos que A de…ne una función continua. De hecho A es uni-
formemente continua.
Tomemos la norma usual de Rn : (Cualquier norma sirve, pero esto lo veremos
después).
2 3
1 1 2
6 2 1 1 7
A=6
4 0
7 : R3 ! R4 :
1 3 5
1 1 4
PD. 8" > 0 9 > 0; 8v; v 0 2 R3 tales que kv v0 k < entonces kAv Av 0 k < ":
TAREA. Demostrarlo.
1 0
x
HINT (como pista, ayudadita, insinuando qué hacer): sea v = @ y A.
z
Entonces
0 1
x
A@ y A =
z
0 1 0 1 0 1
1 0 0
= xA @ 0 A + yA @ 1 A + zA @ 0 A =
0 0 1
0 1 0 1 01
1 1 2
B 2 C B 1 C B C
= xB C B C+zB 1 C
@ 0 A+y@ 1 A @ 3 A
1 1 4
Demuestren que 8 0 1 0 1 1 9
0
0 1 > 1 1 2 > 0 1
>
< >
x B 2 C B 1 C B 1 C = x
A@ y A max B C B C ; B C @ y A :
> @ 0 A ; @ 1 A @ 3 A >
z >
: >
; z
1 1 4
Y luego la continuidad o la continuidad uniforme, lo que quieran.

2. Ahora, quiero que dibujen cualquier elipse, parábola e hipérbola (ustedes
denlas, donde quieran, pero con su ecuación) y dibjen las mismas y todas bajo
las siguientes funciones lineales de R2 en R2 :
2 0
2.1. A1 =
0 1
2 0
2.2. A2 =
0 1
2 0
2.3. A3 =
0 3
2 1
2.4. A4 = :
0 3

Ahora sí continuemos con funciones lineales entre espacios vectoriales …nita-
mente generados.
3. Recordemos algo de Bases que vimos en clase:
3.1. Sea V un k-espacio vectorial de dimensión …nita, dimk V = n y B =
fv1 ; :::; vn g una base de V . Entonces

8x 2 V; 9! 1 ; :::; n 2 k; x = 1 v1 + + n vn :
En otras palabras,
8x 2 V; 9 1 ; :::; n 2 k; [(x = 1 v1 + + n vn ) ^ [8 1 ; :::; n 2 k; (x =

1 v 1 + + n v n ) =) (( 1 = 1 ) ^ ^ ( n = n ))]]:
Recordemos que la existencia se debe a que B es generador de V y la unicidad
a que B es linealmente independiente.X
10

3.2. En k n llamaremos a B = fe1 ; :::; en g la base canónica de k n , donde
para cada0i = 1
1; :::; n;
0
B .. C
B . C
B C
B 0 C
B C
ei := B
B 1 C
C 2 kn :
B 0 C i
B C
B . C
@ .. A
0
4. Teorema. Sean k un campo y n; m 1: Sea B = fe1 ; :::; en g la base
canónica de k n (ves(3.2)). Entonces
8 fw1 ; :::; wn g k m ; 9!f : k n ! k m función k lineal, (8i = 1; :::; n; f (ei ) = wi ) :
En otras palabras, tomemos fw1 ; :::; wn g k m cualquier conjunto de n

vectores en k m :
Entonces: Existe una única función k lineal f : k n ! k m tal que

para cada i = 1; :::; n; f (ei ) = wi :
Demostración.
PD. 8 fw1 ; :::; wn g k m ; 9!f : k n ! k m función k lineal, (8i = 1; :::; n; f (ei ) = wi ) :
Sea fw1 ; :::; wn g k m

PD. 9!f : k n ! k m función k lineal, (8i = 1; :::; n; f (ei ) = wi ) :
De…nimos 8v 2 k n ; f (v) := 1 w1 + + n wn ,
donde v = 1 e1 + + n en y las i ´s son los únicos escalares que hacen esta
combinación lineal igual a v:
Observemos que 8i = 1; :::; n; f (ei ) = wi pues ei = 0k e1 + + 0 k ei 1 +

1k ei + 0k ei+1 + + 0k en :
4.1. PD. f es una función de conjuntos. Es decir, que está bien de…nida.
Observemos que como relación en k n k m ;
f = f(v; 1 w1 + + n wn ) 2 kn km ; v = 1 e1 + + n en con 1 ; :::; n 2 kg
PD. 8v 2 k n ; 9!w 2 k m ; (v; w) 2 f:

Sea v 2 k n ; como B es base (ver (3)) entonces 9! 1 ; :::; n 2 k; v = 1 e1 +
+ n en y por lo tanto w := f (v) = 1 w1 + + n wn 2 k m está bien de…nida
para cada v 2 k n :
11

4.2. PD. f es k-lineal.
PD. 8x; y 2 k n ; f (x + y) = f (x) + f (y):
PD. 8 2 k; x 2 k n ; f ( x) = f (x):
Sean x; y 2 k n :
PD. f (x + y) = f (x) + f (y):
Como B es base de k n ; existen únicas 1 ; :::; n; 1 ; :::; n 2 k tales que

x = 1 e1 + + n en y y = 1 e1 + + n en .
Entonces
x+y =( 1 e1 + + n en ) +( 1 e1 + + n en ) =
= ( 1 + 1 )e1 + +( n + n )en
aso c.,conm .dist.
Y como B es base de k n ; 1 + 1 ; :::; 1 + 1 2 k son los únicos escalares

que hacen a
x + y = ( 1 + 1 )e1 + + ( n + n )en
Por lo tanto,
f (x + y) = ( 1 + 1 )w1 + +( n + n )wn
= ( 1 w1 + + n wn ) +( 1 e1 + + n en )
dist,aso c,conm
= f (x) + f (y):
TAREA. PD. 8 2 k; x 2 k n ; f ( x) = f (x):
Por lo tanto, f es una función k lineal.X
4.3. PD. f es la única función k-lineal tal que 8i = 1; :::; n; f (ei ) = wi :

Sea g : k n ! k m función k-lineal tal que 8i = 1; :::; n; g(ei ) = wi :
PD. f = g:
PD. 8v 2 k n ; f (v) = g(v):
Sea v 2 k n :
PD. f (v) = g(v):
Por de…nición de f;
f (v) := 1 w1 + + n wn donde v := 1 e1 + + n en .
12

Por otro lado, como (por hipótesis), g es lineal y 8i = 1; :::; n; g(ei ) = wi :
Tenemos que
g(v) = g( 1 e1 + + n en ) = 1 g(e1 ) + + n g(en ) =
g lineal
= 1 w1 + + n wn = f (v):
hip ótesis def f
Por lo tanto, f = g:X
Por lo tanto,
OBSERVACIÓN IMPORTANTE: Lo que muestra este teorema es que

basta de…nir una función f : k n ! k m en la base B y luego "extenderla
linealmente" (así se dice) a cualquier v 2 k n :
Ejemplo: Sean k = R, n = 5 = m:
8 0 1 0 1 0 1 0 1 0 19
>
> 0 0 0 0 0 >
>
>
> B C B C B C B C B C>
>

>
> @ 0 A @ 0 A @ A @ A @ A>
>
> 3 0 0 >
>
: ;
0 0 0 2 0
Entonces
f : 0 R5 1 ! 5
0 R 1
a 0
B b C B 5a C
B C B C
B c C 7! B 4b C
B C B C
@ d A @ 3c A
e 2d
Por el teorema, ya no tiene que demostrar que f es lineal :)
Más aún, como esta función es única con la propiedad de que para cada
i = 1; 2; 3; 4; 5; f (ei ) = wi :
Entonces f es la misma función que de…ne la matriz
2 3
0 0 0 0 0
6 5 0 0 0 0 7
6 7
A=6
6 0 4 0 0 0 7:
7
4 0 0 3 0 0 5
0 0 0 2 0
FPronto llegaremos a los principales teoremas del Álgebra Lineal. :D
13

Funciones lineales
Espacios vectoriales
Ejercicios
Parte 7
Hoy veremos ejercicios tanto de espacios vectoriales en general como de es-

pacios vectoriales …nitamente generados.
Por favor, hagan cada ejercicio para que profundicen lo que ya hemos visto,
saquen dudas y si ya se lo saben bien, entonces saquen observaciones. ¡Siempre
se puede aprender!

Empezaré con el siguiente ejercicio:
Parte6-2. Dibujen cualquier elipse, parábola e hipérbola (ustedes denlas, donde
quieran, pero con su ecuación) y dibjen las mismas y todas bajo las siguientes
funciones lineales de R2 en R2 :
2 0
2.1. A1 =
0 1
2 0
2.2. A2 =
0 1
2 0
2.3. A3 =
0 3
2 1
2.4. A4 =
0 3
Observación: Las funciones lineales reales f : R2 ! R2 manda

cónicas en cónicas o cónicas degeneradas.
Después les mando la demostración, pero necesito que dibujen cualquier

elipse, parábola e hipérbola (ustedes denlas, donde quieran, pero con su ecuación)
y dibjen las mismas y todas bajo las siguientes funciones lineales de R2 en R2 :
Observen que todas las matrices de este ejercicio de…nen isomor…smos

(porque quiero que no se degeneren las …guras).

2 1
Por ejemplo: PD. A4 = de…ne un isomor…smo.
0 3
a) PD. A4 es un epimor…smo.
Ahora, sabemos que la imagen está generada por las columnas de la matriz,
es decir,
2 1
Im A4 = ; = R2
0 3
2 1
pues ; es una de sus bases.
0 3
Por lo tanto, A4 es epimor…smo (suprayectiva).
b) PD. A4 es monomor…smo.
0
PD. ker A4 = :
0
)X ¿por qué?
)
Calculemos
2 1 x 2x + y
=
0 3 y 3y
x
Sea tal que
y
2 1 x 2x + y 0
= =
0 3 y 3y 0
si y sólo si
2x + y = 0 y 3y = 0
si y sólo si
y = 0 y 0 = 2x + y = 2x + 0 = 2x
si y sólo si
x = y = 0:
Por lo tanto, A4 es un monomor…smo.
Por lo tanto, A4 es un isomor…smo.X
Todas las matrices de este ejercicio son isomor…smos.

Sabemos que A : Rn ! Rm una función lineal real es una función continua.
En particular las de este ejercicio, Ai : R2 ! R2 que es un isomor…smo

continuo.
Entonces como E es una elipse, que es una "curva cerrada" es decir, es una
curva que si la dibujan empiezan en un punto v y terminan en ese mismo punto
v sin despegar el lápiz.
Por lo tanto, "Ai (E)" la imagen de E bajo Ai ; tiene que empezar en Ai v

y terminar en Ai v: Además como es mono, NO pega ningún punto (es decir,
puntos distintos van a puntos distintos, por lo que será una curva "cerrada").
L@s que ya sepan cónicas, saquen la ecuación cuadrática que cumplen las
imágenes de las cónicas que dieron.
¡Bonito, no?! y muy útil.

Para l@s que no han visto cónicas, tómense por ejemplo:
x x x
E= 2 R2 ;x2 + y 2 = 1 ; P= 2 R2 ;x2 = y yH= 2 R2 ;x2 y2 = 1 :
y y y

Ahora otros ejercicios más generales.
5. Lema. Sean V y W k espacios vectoriales (no necesariamente …nitamente

generados). Entonces
Homk (V; W ) := ff ; f es función linealg; es un k espacio vectorial con las
siguientes operaciones:
8f; g 2 Homk (V; W ); 8 2 k
f +g : V ! W f: V ! W
y
v 7 ! f (v) +W g(v) v 7 ! W f (v)

Demostración:
Sean V y W k espacios vectoriales (no necesariamente …nitamente genera-
dos).
PD.Homk (V; W ) := ff ; f es función linealg; es un k espacio vectorial,
donde
8f; g 2 Homk (V; W ); 8 2 k
f +g : V ! W f: V ! W
y
v 7 ! f (v) +W g(v) v 7 ! W f (v)
TAREA: Demostrar lo siguiente. Por favor, háganlo para repasar espacios

vectoriales.
SUMA:
+:1: Conmutatividad.
PD. 8f; g 2 Homk (V; W ); f + g = g + f:
Sean f; g 2 Homk (V; W ):
PD. f + g = g + f
PD. 8v 2 V; (f + g)(v) = (g + f )(v):
Sea v 2 V:
PD. (f + g)(v) = (g + f )(v):
Como (f + g)(v) := f (v) +W g(v) =

= g(v) +W f (v) =: (g + f )(v):
+W es conmutativa
Por lo tanto, (f + g)(v) = (g + f )(v):
Por lo tanto, la suma de funciones es conmutativa.X
NOTA: Observen que lo que se usa es que el contradominio es un k espacio

vectorial y allí vale la conmutatividad de la suma, asociatividad, etc.
+:2: Asociatividad.
PD. 8f; g; h 2 Homk (V; W ); f + (g + h) = (f + g) + h
+:3: Neutro aditivo.

PD. 0WV es el neutro aditivo de Homk (V; W ):
PD. 8f 2 Homk (V; W ); f + 0W V = f:
Recordemos: 8v 2 V; 0W
V (v) := 0W :
+:4: Inversos aditivos.

Sea f 2 Homk (V; W )
PD; 1k f es el inverso aditivo de f:

Producto por escalares:
:1: Asociatividad.
PD. 8 ; 2 k; 8f 2 Homk (V; W ); ( k )f = ( f ):
:2: PD. 8f 2 Homk (V; W ); 1k f = f:
Distributividades:
d.1. PD. 8 2 k; 8f; g 2 Homk (V; W ); (f + g) = f + g:

Sean 2 k; f; g 2 Homk (V; W ):
PD. (f + g) = f + g:
PD. 8v 2 V; [ (f + g)](v) = [ f + g](v):
d.2. PD. 8 ; 2 k; 8f 2 Homk (V; W ); ( +k )f = f + f:

6. Recordemos: Sea V un k espacio vectorial …nitamente generado. Es
decir, existe X V conjunto …nito tal que el k subespacio vectorial generado
por X; hXi = V; es todo V:
6.1. V contiene al menos una base (=conjunto generador de V y linealmente

independiente), todas las bases son …nitas y tienen la misma cardinalidad.
9B V; B base de V
8B; B 0 V bases de V; jBj = jB 0 j < 1:
6.2. De…nimos la dimensión de V (como k espacio vectorial), dimk V :=

jBj; como la cardinalidad de B cualquiera de sus bases.
Sea n = dimk V:
6.3. Sea X V: Entonces
6.3.a. Si hXi = V entonces existe B base de V tal que B X:
6.3.b. Si hXi = V y jXj = n entonces X es base de V:
6.3.c. Si X es linealmente independiente, entonces existe B base de V tal

que X B: En particular, X es un conjunto …nito.
6.3.d. Si X es linealmente independiente y jXj = n entonces X es base de

V:

Ejemplo.
Sea V = fp(x) = a4 x4 + a3 x3 + a2 x2 + a1 x + a0 2 R[x]; grado(p(x)) 4g
con su suma y producto por escalares usuales.
Sabemos que V R[x] es un R subespacio vectorial de R[x]: (Si no se
acuerdan o quieren practicar, demuéstrenlo).
Sabemos también que B = f1; x; x2 ; x3 ; x4 g es una base de V: (Sino de-

muéstrenlo).
Es decir, dimR V = 5:

Sea X = fv1 = 1 x; v2 = x2 + 8; v3 = x3 + 6x4 ; v4 = x + x2 + x4 ; v5 =
2
x 3x3 g V:
¿Será X una base de V ? En principio, tenemos que la cardinalidad de X es

correcta, es decir, jXj = 5 = dimR V:
Por lo que ya sabemos, bastaría demostrar SÓLO UNA de las siguientes: X

es un conjunto linealmente independiente Ó X genera a V:
Y aquí ya es decisión de ustedes cuál escoger.
Yo escogeré ver si X genera a V:
Y lo siguiente es lo que se hace en investigación:

Sean p(x) = a4 x4 + a3 x3 + a2 x2 + a1 x + a0 2 R[x] (…jo pero arbitrario) y
1 ; :::; 5 2 R tales que
a4 x4 + a3 x3 + a2 x2 + a1 x + a0 = 1 v1 + 2 v2 + 3 v3 + 4 v4 + 5 v5
2 3
= 1 (1 x) + 2 (x + 8) + 3 (x + 6x4 ) + 4 (x + x
2
+ x4 ) + 5 (x
2
3x3 ) =
2 3 4
=( 1 + 8 2 ) + x( 1+ 4) + x ( 2 + 4+ 5) + x ( 3 3 5) + x (6 3+ 4)
si y sólo si
a0 = 1+8 2 y
a1 = 1+ 4 y
a2 = 2+ 4+ 5 y
a3 = 3 3 5y
a4 =6 3+ 4
si y sólo si
8
1 = 8a2 + 8a1 + 8 + 18 (a4 a1 6a3 ) a0 y
a0
2 = 8 a2 + 18 a1 + 1 + a184
17 a3
3 ) y
3 = a4 6a
6
1 +6
y
4 = a1 + 1 y
5 = a4 a1181+6a3
Por lo tanto, X genera a V:
ENTONCES lo que luego hacemos es:
PD. X genera a V:
PD. 8p(x) = a4 x4 + a3 x3 + a2 x2 + a1 x + a0 2 R[x], 9 1 ; :::; 5 2 R tales que
p(x) = a4 x4 + a3 x3 + a2 x2 + a1 x + a0 = 1 v1 + 2 v2 + 3 v3 + 4 v4
+ 5 v5 :
10

Sea p(x) = a4 x4 + a3 x3 + a2 x2 + a1 x + a0 2 R[x]
PD. 9 1 ; :::; 5 2 R tales que p(x) = a4 x4 + a3 x3 + a2 x2 + a1 x + a0 =
1 v1 + 2 v2 + 3 v3 + 4 v4 + 5 v5 :
De…namos
8
1 = 8a2 + 8a1 + 8 + 18 (a4 a1 6a3 ) a0 y
a0
2 = 8 a2 + 18 a1 + 1 + a184
17 a3
3 ) y
a4 6a1 +6
3 = 6 y
4 = a1 + 1 y
a4 a1 1+6a3
5 = 18
Entonces p(x) = 1 v1 + 2 v2 + 3 v3 + 4 v4 + 5 v5 :
Y como jXj = 5 = dimR V: Entonces X es base de V:
:D
F¿Qué pasa si les sale una contradicción? Entonces lo que ponen es

PD. X no genera a V
etc. etc. etc.
Por lo tanto, X no es base de V:
:D
11

El siguiente es un bonito y muy útil ejercicio.
7. Lema. Sea V un k espacios vectoriales de dimensión …nita, dimk V = n
1. Entonces
V ' k n : Es decir, existe un isomor…smo (función lineal y biyectiva) f :
V ! kn :
ES DECIR, LOS EJEMPLOS DE k ESPACIOS VECTORIALES FINITA-

MENTE GENERADOS SON LOS k n (Y SE DICE: SALVO ISOMORFISMOS).
Demostración.
Sean V un k espacio vectorial de dimensión n y B = fv1 ; :::; vn g base de V
(que sabemos que al menos tiene una).
Recordemos que como B es base de V; se tiene que
8x 2 V; 9! 1 ; :::; n 2 k; x = 1 v1 + + n vn
Esta unicidad de los escalares 1 ; :::; n para cada x, hacen que la siguiente
sea una función (de conjuntos bien de…nida).
De…namos la siguiente función:

n
f: V ! 0 k 1
n 1
X B .. C
x= i vi 7 ! @ . A
i=1
n
0 1 0 1
1 0
B 0 C B .. C
B C B C
Observación: f (v1 ) = B ..C ; :::; f (vn ) = B . C
@ .A @ 0 A
0 1
PD. f es un isomor…smo.
PD. f es k lineal, monomor…smo y epimor…smo.
7.1. PD. f es k lineal.

PD. 8x; y 2 V; 8 2 k
f (x + y) = f (x) + f (y) y f ( x) = f (x):
Sean x; y 2 V
PD. f (x + y) = f (x) + f (y)
Como B es base de V;
Existen únicos 1 ; :::; n 2 k; x = 1 v1 + + n vn y existen únicos 1 ; :::; n 2
k; x = 1 v1 + + n vn :
Entonces
12

x+y =( 1 v1 + + n vn ) + ( 1 v1 + + n vn )
= ( + )v
1 k 1 1 + + ( n + k n )vn
conm .,aso c.,dist
Otra vez por ser B una base de V; estos i +k i ’s son únicos que hacen a
x + y combinación de los elementos de la base.
Por lo tanto,
0 1
1 +k 1
B .. C
f (x + y) = @ . A=
n +
0 1 0k n1
1 1
B C B C
= @ ... A + @ ... A =
def +
n n
=: f (x) + f (y):X
TAREA PARA ENTREGAR MAÑANA JUEVES 2.abril.2020
PD. 8x 2 V; 8 2 k; f ( x) = f (x):
7.2. PD. f es un monomor…smo.

PD. ker f = f0V g:
)X ¿por qué?
) Sea x 2 ker f: 0 1
0
B C
Entonces f (x) = @ ... A
0
PD. x = 0V :
Como B es base de V; existen 1 ; :::; n 2 k tales que x = 1 v1 + + n vn :
Entonces
0 1 0 1
0 1
B .. C B C
@ . A = f (x) := @ ... A
x2ker f
0 n
si y sólo si
1 = 0k = 2 = = n:
Por lo tanto, x = 1 v1 + + n vn = 0V :X
13

Por lo tanto, ker f = f0V g:
Por lo tanto, f es un monomor…smo.X
7.3. PD. f es un epimor…smo.
PD. Im f = k n :
Como B = fv1 ; :::; vn g base de V; Sabemos que la imagen de f , Im f =

hff (v1 ); :::; f (vn )gi está generada por las imágenes de los elementos de la base.
Entonces
Im f = hff (v81 ); :::; f0

(vn )gi
1:= 0 19
*> > 1 0 >
>+
>

=
B C B C
:=Im f = e1 := B . C ; :::; en := B . C
>
> @ .. A @ 0 A>
>
>
: >
;
0 1
= kn :
Por lo tanto, f es un epimor…smo.X
Por lo tanto, f es un isomor…smo.

Por lo tanto, V ' k n :
NOTA: ES DECIR, QUE LOS ÚNICOS k ESPACIOS VECTO-

RIALES FINITAMENTE GENERADOS SON LOS k n (SALVO ISO-
MORFÍA) .
7.4. Ejemplo. Sigamos la demostración del lema en un ejemplo.
Sea M3 2 (R) el R espacio vectorial de las matrices de 3 2 con coe…cientes

reales, con su suma y producto por escalares usuales.
Sabemos que dimR M3 2 (R) = 6; pues por ejemplo
BM3 2 (R) = fv1 ; :::; v6 g es base de M3 2 (R)....( )
donde 2 3 2 3 2 3 2 3
1 0 1 1 1 1 1 1
v1 = 4 0 0 5 ; v 2 = 4 0 0 5 ; v 3 = 4 1 0 5 ; v 4 = 4 1 1 5 ; v 5 =
0 0
2 3 2 3 0 0 0 0 0 0
1 1 1 1
4 1 1 5 ; v6 = 4 1 1 5
1 0 1 1
Y sea B = fe1 ; :::; en g la base canónica de k n :
Entonces
14

: M3 2 (R) ! R6
vi 7 ! ei si 1 i n
n
X n
X extendemos
A= i vi 7 ! i ei
linealmente
i=1 i=1
y la extiendo linealmente, es decir, sea A 2 M3 2 (R); entonces existen 1 ; :::; n 2
Xn n
X
R tales que A = i vi : Entonces f (A) = i ei :
i=1 i=1
Hagamos ( ); para tener explícitamente la función f:
PD. BM3 2 (R) genera a M3 2 (R):

2 3
a b
Sea A = 4 c d 5 2 M3 2 (R):
e f
n
X
PD. Existen 1 ; :::; n 2 R tales que A = i vi :
i=1
2 3
a b
4 c d 5=
e 2f 3 2 3 2 3
1 0 1 1 1 1
= 14 0 0 5+ 2
4 0 0 5+ 3
4 1 0 5+
2 0 03 2 0 03 2 0 03
1 1 1 1 1 1
+ 44 1 1 5+ 5
4 1 1 5+ 6
4 1 1 5=
0 0 1 0 1 1
2 3
1 + 2+ 3+ 4+ 5 + 6 2 + 3+ 4+ 5 + 6
=4 3+ 4+ 5+ 6 4+ 5+ 6
5:
5+ 6 6
Por lo tanto, (demuéstrenlo por favor):
6 =f
5 =e f
4 =d e
3 =c d
2 =b c
1 =a b
Por lo tanto,
A = (a b)v1 +(b c)v2 + (c d)v3 + (d e)v4 + (e f )v5 + f v6 :
Por lo tanto, BM3 2 (R)

= M3 2 (R): Y como BM3 2 (R)
= 6 = dimR M3 2 (R):
15

Entonces por (3.2), BM3 2 (R)
es base de M3 2 (R):
Por lo tanto,
: M3 2 (R) ! 0 R6 1
a b
2 3 B b c C
a b B C
B c d C
4 c d 5 7 ! B C
B d e C
e f B C
@ e f A
f
Por el lema anterior, sabemos que es un isomor…smo. Pero quiero que lo

hagan a pie.
TAREA PARA ENTREGAR MAÑANA JUEVES 2 DE ABRIL DE

2020.
Demostrar que es un isomor…smo. Es decir, es lineal, mono y epi.
16

Funciones Lineales entre espacios vectoriales …nitamente generados
Continuación
Parte 8
Vean lo que veremos hoy:

¿Se acuerdan cuándo les mencioné que las matrices son LOS ejemplos de
funciones lineales, es que realmente son TODAS las funciones lineales entre los
espacios vectoriales k n y k m . Y algo que se me hace precioso y útil, es que la
composición de funciones equivale al producto de matrices. A saber,
8. Teoremazo: Sean k un campo y n:m 1 números naturales. Entonces

existe un isomor…smo
A? : Homk (k n ; k m ) ! Mm n (k)
2 3
a11 a1n
6 .. .. .. 7
f 7 ! Af = 4 . . . 5
am1 amn
0 1
0
B .. C 0 1
B . C
B C a1i
B 0 C B C
B C B a2i C
donde para todo i = 1; :::; n; ei := B
B 1 C
C 2 k n ; f (ei ) := B .. C 2 km
B 0 C i @ . A
B C
B . C ami
@ .. A
0
la i ésima columna de A:
Donde Af y f de…nen la misma función k-lineal.
Más aún, composición de funciones equivale a producto de matrices.

Es decir,
Si f : k n ! k m y h : k m ! k t entonces Ah f = Ah Af :
De…nición. Sean f : k n ! k m y Af del teorema anterior, entonces a Af se

le llama la forma matricial de f:

Recordemos:
(Parte-7, Lema 5). Sean V y W k espacios vectoriales (no necesariamente

…nitamente generados). Entonces
Homk (V; W ) := ff ; f es función linealg; es un k espacio vectorial con las
siguientes operaciones:
8f; g 2 Homk (V; W ); 8 2 k
f +g : V ! W f: V ! W
y
v 7 ! f (v) +W g(v) v 7 ! W f (v)
Corolario. Sean k un campo y n; m 1: Entonces

Homk (k n ; k m ) = ff ; f : k n ! k m es función k linealg es un k espacio
vectorial con las operaciones antes mencionadas.
Notación. Sean k un campo (por favor, recuerden la de…nición de campo) y

n 1:
La base canónica de k n ; Bkn = fe1 ; :::; en g donde
0 1
0
B .. C
B . C
B C
B 0 C
B C
8i 2 f1; :::; ng; ei := B
B 1 C
C 2 kn :
B 0 C i
B C
B . C
@ .. A
0
Es decir, ei tiene al 1 := 1k en la coordenada i ésima y 0 := 0k en el resto

de las coordenadas.

8. Teoremazo: Sean k un campo y n:m 1 números naturales. Entonces
existe un isomor…smo
A? : Homk (k n ; k m ) ! Mm n (k)
2 3
a11 a1n
6 .. .. .. 7
f 7 ! Af = 4 . . . 5
am1 amn
0 1
0
B .. C 0 1
B . C
B C a1i
B 0 C B C
B C B a2i C
donde para todo i = 1; :::; n; ei := B
B 1 C
C 2 k n ; f (ei ) := B .. C 2 km
B 0 C i @ . A
B C
B . C ami
@ .. A
0
la i ésima columna de A:
Donde Af y f de…nen la misma función k-lineal.

0 1
x1
B C
f @ ... A = f (x1 e1 + + xn en ) = x1 f (e1 ) + + xn f (en ) =
f lineal
xn
0 1 0 1
a11 a1n 2 30 1
B C B C a11 a1n x1
B a2i C B a2n C 6 .. .. 7 B .. C =
= x1 B C+ + xn B C = 4 . ..
@
..
A @
..
A . . 5@ . A
. .
am1 amn xn
a amn
0 1 m1
x1
B C
Af @ ... A :
xn
Más aún, composición de funciones equivale a producto de matrices.

Es decir,
Si f : k n ! k m y g : k m ! k t entonces Ag f = Ag Af :

Ejemplo: Sean k = R y f : R4 ! R3 la función lineal:
f : 0 R4 1 ! R3
a 0 1
B b C a b c+d
B C 7 ! @ 5c 3d A
@ c A
0
d
Entonces
00 11 00 11
1 0 1 0 0 1
BB 0 CC 1 BB 1
1 CC
fB B CC = @ 0 A, f BB
@@ 0 AA @@
CC = @ 0 A ;
0 AA
0 0
0 0
00 11 00 11
0 0 1 0 0 1
BB 0 CC 1 BB CC 1
0 CC @
fBB CC @ 5 A y f BB
@@ 1 AA = @@ = 3 A:
0 AA
0 0
0 1
2 3
1 1 1 1
Entonces Af := 4 0 0 5 3 5:
0 0 0 0
1 0 0 1
a 2 3 a 0 1
B b C 1 1 1 1 B b C a b c+g
OBSERVACIÓN: Af B C=4 0
@ c A 0 5 3 5B@ c
C=@
A 5c 3g A =:
0 0 0 0 0
g g
00 11
a
BB b CC
fBB CC
@@ c AA :
g
Es decir, Af y f de…nen la misma función.

Demostración del Teoremazo.
De…nimos Af de la siguiente manera:
A? : Homk (k n ; k m ) ! Mm n (k) 2 3
a11 a1n
6 .. .. .. 7
f 7 ! Af = 4 . . . 5
am1 amn
0 1
a1i
B a2i C
B C
donde para todo ei 2 k n ; f (ei ) := B .. C 2 k m la i ésima columna de A? :
@ . A
ami
PD. A? está bien de…nida (es decir, es función de conjuntos, es función k-

lineal y es un isomor…smo.
1o. A? es función de conjuntos. Es decir, A? está bien de…nida, pues …jamos a

la base canónica, B = fe1 ; :::; en g y estamos diciendo exactamente cuál es cada
una de las entradas de la matriz A? :X
2o. PD. A? es una función k lineal.

PD. 8f; g 2 Homk (k n ; k m ); 8 2 k;
Af +g = Af + Ag y A f = Af :
2.a. PD. 8f; g 2 Homk (k n ; k m ); Af +g = Af + Ag :
Sean f; g 2 Homk (k n ; k m ):
PD. Af +g = Af + Ag :
Por de…nición de A? ;
2 3
a11 a1n
6 .. .. .. 7,
Af = 4 . . . 5
am1 amn
2 3
b11 b1n
6 .. .. .. 7
Ag = 4 . . . 5
bm1 bmn
y
2 3
c11 c1n
6 .. .. .. 7
Af +g =4 . . . 5
cm1 cmn

donde 8i = 1; 0:::; n; 1 0 1 0 1
a1i b1i c1i
B a2i C B b2i C B c2i C
B C B C B C
f (ei ) := B . C ; g(ei ) := B .. C y [f + g] (ei ) := B .. C.
@ .. A @ . A @ . A
ami bmi cmi
Entonces
0 1 0 1 0 1
c1i a1i b1i
B c2i C B a2i C B b2i C
B C B C B C
B .. C = [f + g] (ei ) := f (ei ) + g(ei ) = B .. C+B .. C =
@ . A def f +g @ . A @ . A def +
cmi ami bmi
0 1
a1i + b1i
B a2i + b2i C
B C
B .. C
@ . A
ami + bmi
Y por de…nición de igualdad de vectores, tenemos que coordenada a coorde-

nada son iguales, entonces
8i = 1; :::; n; c1i = a1i + b1i ; c2i = a2i + b2i ; :::; cmi = ami + bmi
Entonces,
2 3 2 3
c11 c1n a11 + b11 a1n + b1n
6 .. .. .. 7 = 6 .. .. .. 7
Af +g =4 . . . 5 4 . . . 5=
cm1 cmn am1 + bm1 amn + bmn
2 3 2 3
a11 a1n b11 b1n
6 .. .. .. 7 + 6 .. .. .. 7 =: A + A :
= 4 . . . 5 4 . . . 5 f g
def +
am1 amn bm1 bmn
Por lo tanto, Af +g = Af + Ag :

2.b. PD. 8f 2 Homk (k n ; k m ); 8 2 k; A f = Af :
Por de…nición de A? ;
2 3
a11 a1n
6 .. .. .. 7,
Af = 4 . . . 5
am1 amn
2 3
d11 d1n
6 .. .. .. 7
A f =4 . . . 5
dm1 dmn
donde 8i = 1; 0:::; n; 1 0 1
a1i d1i
B a2i C B d2i C
B C B C
f (ei ) := B . C y ( f )(ei ) := B .. C.
@ .. A @ . A
ami dmi
Entonces
0 1 0 1 0 1
d1i a1i a1i
B d2i C B a2i C B a2i C
B C B C B C
B .. C = ( f )(ei ) := (f (ei )) = B .. C = B .. C
@ . A def f @ . A def @ . A
dmi ami ami
Y por de…nición de igualdad de vectores, tenemos que coordenada a coorde-

nada son iguales, entonces
8i = 1; :::; n; d1i = a1i ; d2i = a2i ; :::; dmi = ami
Entonces,
2 3 2 3 2 3
d11 d1n a11 a1n a11 a1n
6 .. .. .. 7 = 6 .. .. .. 7 6 .. .. .. 7 =
A f =4 . . . 5 4 . . . 5 = 4 . . . 5
def
dm1 dmn am1 amn am1 amn
Af:
Por lo tanto, A? es una función k-lineal.

3o. PD. A? es un isomor…smo.
m
PD. ker A? = f0kkn g e Im A? = Mm n (k):
m
3.1. PD. ker A? = f0kkn2g:
2 33
0 0
66 .. .. .. 77 ; pues para toda i = 1; :::; n; 0km (e ) =
) Como A0km
n
= 44 . . . 55 kn i
k
0 0
0 1
0
B .. C
@ . A 2 km :
0
O también pueden usar que el ker A0km es subespacio vectorial de Homk (k n ; k m );

kn
m
entonces 0kkn 2 ker A0km :
n X k
) Sea f 2 ker A0km :

kn
km
PD. f = 0kn :
Como f 2 ker A0km

n
; entonces
k
2 3 0 1
0 0 0
6 .. .. .. 7 donde la i ésima columna de A es B .. C = f (e ):
Af = 4 . . . 5 f @ . A i
0 0 0
0 1 0 1
x1 0
B C B .. C =: 0 m 2 k n :
PD. 8v := @ ... A 2 k n ; f (v) = @ . A k
xn 0
0 1
x1
B C
Sea v := @ ... A 2 k n
xn
PD. f (v) = 0km :
Recordemos que B = fe1 ; :::; en g es base de k n : De hecho, aquí sólo usaremos

que B genera a k n :
01
x1
B C
Entonces v = @ ... A = x1 e1 + + xn en :
xn
Entonces f (v) = x1 f (e1 ) + + xn f (en ) = x1 0km + + xn 0km = 0km :

f lineal

n
Por lo tanto, f = 0kkn
n
Por lo tanto, ker A? = f0kkn g:
Por lo tanto, A? es un monomor…smo.X
10

3.2. PD. A? es un epimor…smo.
PD. Im A? = Mm n (k):
) Pues Im A? es k-subespacio de Mm n (k):
) PD. 8N 2 Mm n (k); 9f 2 Homk (k n ; k m ); Af = N:
Por lo tanto, A? : Homk (k n ; k m ) ! Mm n (k) es un k isomor…smo.X
11

4o. Más aún, composición de funciones equivale a producto de ma-
trices. Es decir,
Un poco de abuso de notación: Denotaremos por
A? : Homk (k n ; k m ) ! Mm n (k), A? : Homk (k m ; k t ) ! Mt m (k) y

A? : Homk (k n ; k t ) ! Mt n (k):
PD. 8 f : k n ! k m 8h : k m ! k t k-lineales, Ah f = Ah Af :
Sean f : k n ! k m y h : k m ! k t k lineales.
PD. Ah f = Ah Af :
Sean 2 3
a11 a1n
6 .. 7,
Af = 4 ... ..
. . 5
am1 amn
2 3
b11 b1m
6 .. .. .. 7 y
Ah = 4 . . . 5
bt1 btm
2 3
c11 c1n
6 .. .. .. 7
Ah f =4 . . . 5
ct1 ctn
PD. Ah f = Ah Af
Calculemos
2 32 3
b11 b1m a11 a1n
6 .. .. .. 7 6 .. .. .. 7 =
Ah Af = 4 . . . 54 . . . 5
bt1 btm am1 amn
2 m m 3
X X
6 b1j aj1 b1j aj1 7
6 j=1 7
6 j=1 7
6 .. .. .
.. 7
=6 . 7:
6 m . 7
6 X Xm 7
4 btj aj1 btj ajn 5
j=1 j=1
m
X
Es decir, la ir ésima coordenada de Ah Af es bij ajr :
j=1
Por lo tanto, basta demostrar que
12

0 m 1
X
B b1j aji C
B j=1 C
B C
B .. C
8i 2 f1; :::; ng; (h f )(ei ) = B C:
B m . C
B X C
@ btj aji A
j=1
Sea i 2 f1; :::; ng:
0 m 1
X
B b1j aji C
B j=1 C
B C
B .. C
PD. (h f )(ei ) = B C:
B m . C
B X C
@ btj aji A
j=1
Sea Bkm = f"1 ; :::; "m g la base canónica0de k m1

. Entonces por de…nición de
b1j
B C
Ah ; la j ésima columna de Ah es h("j ) = @ ... A :
btj
n
Lo mismo
0 para1B k n = fe1 ; :::; en g la base canónica de k ; la i ésima columna
c1i
B C
de Ah f = @ ... A :
cti
Ahora por la de…nición de Ah f y la de…nición de composición de funciones,
La i ésima columna de Ah f es 00 11
0 1 a1i
c1i BB a2i CC
B .. C BB CC
@ . A = Ah f (h f )(ei ) = h(f (ei )) = h BB .. CC =
@@ . AA
bti
ami
Xm
= h (a1i "1 + ami "m ) = aji h("j ) =
h lineal
j=1
0 m 1 0 m 1
X X
0 1 B aji b1j C B b1j aji C
b1j B j=1 C B j=1 C
m
X B C B C
B C B C B C
= aji @ ... A = B ..
C=B
..
C
B m . C B m . C
j=1 btj B X C B X C
@ aji btj A @ btj aji A
j=1 j=1
13

0 m 1
X
0 1 B b1j aji C
c1i B j=1 C
B C
B C B C
Por lo tanto, @ ... A = B ..
C para toda i = 1; :::; n:
B m . C
bti B X C
@ btj aji A
j=1
Por lo tanto, Ah Af = Ah f :
14

Ejemplo: Sean k = R, f : R4 ! R3 y h : R3 ! R2 las siguientes funciones
lineales:
f : 0 R4 1 ! R3
a 0 1
B b C a b c+d
B C 7 ! @ 5c 3d A y
@ c A
0
d
h : 0 R3 1 ! 0 R2 1
x 7y
@ y A @ x :
7 ! 2y + 3z A
z 5x
Entonces
h f : 0 R4 1 ! R2
a
B b C 7y
B C 7 !
@ c A x 2y + 3z
d
2 3
1 1 1 1
0 7 0
Af = 4 0 0 5 3 5, Ah =
1 2 3
0 0 0 0
y por lo tanto,
2 3
1 1 1 1
0 7 0 4 0 0 0 35 21
Ah f = 0 5 3 5= :
1 2 3 1 1 11 7
0 0 0 0
15

Quisiera terminar recordando lo que demostramos hoy:
TODAS las funciones lineales entre los espacios vectoriales k n y

m
k son las matrices de tamaño m n. Y la composición de funciones
equivale al producto de matrices.
:)
16

Funciones Lineales
Ejercicios y una Aplicación
Parte 9
A. Aplicación. Poblaciones en Competencia. Zorros y Gallinas.
En una región hay Zt (resp. Gt ) número de zorros (resp. gallinas) en el

tiempo t:
Supongamos que las gallinas, sin ser molestadas por los zorros tienen una
tasa de natalidad que excede a la tasa de mortalidad, digamos Gt+1 = 1:2Gt :
Sin gallinas para alimentarse, los zorros tienden a extinguirse, digamos en
Zt+1 = 0:6Zt :

PROBLEMA: Se quiere hacer un modelo para ver qué sucede cuando los
zorros tienen éxito devorando cierto número de gallinas en cada periodo de
tiempo, suponiendo que esto permitiera un incremento de zorros proporcional
al número de gallinas devoradas. Digamos Zt+1 = 0:6Zt + 0:5Gt :
Por lo tanto, el número de gallinas empezará a decrecer, digamos Gt+1 =

1:2Gt 0:1Zt :

Entonces podemos modelar este problema en el tiempo t, como sigue:
Zt 0:6 0:5 Zt 1
= :
Gt 0:1 1:2 Gt 1
Z0 100
Comencemos en t = 0; digamos = :
G0 1000
0:6 0:5
Denotemos por A := :
0:1 1:2
Entonces en el tiempo t = 1; el número de zorros y de gallinas será
Z1 0:6 0:5 Z0
= =
G1 0:1 1:2 G0
0:6 0:5 100 560:0

= = :
0:1 1:2 1000 1190:0

0:6 0:5 Zt+1 Zt
Ahora, A := y =A :
0:1 1:2 Gt+1 Gt
Es decir,
Z1 Z0
=A ;
G1 G0
Z2 Z1 Z0 Z0
=A =A A = AA :
G2 G1 G0 G0
Denotemos por Ar := A A multiplicado r veces.
Entonces en el tiempo t
Zt Z0
= At :
Gt G0
Es decir, que para analizar nuestro problema, podemos encontrar las poten-
Z0
cias de la matriz A: Observen que eso no depende del vector inicial ;
G0
podríamos analizar empezar con distintas condiciones iniciales y ver qué pasa
con estas poblaciones.

0:6 0:5 Zt Z0
Con A := , = At
0:1 1:2 Gt G0
Z0 100
y = obtenemos los siguientes:
G0 1000
Z1 0:6 0:5 100 560:0

= =
G1 0:1 1:2 1000 1190:0
Entonces en el tiempo t = 2
2
0:6 0:5 0:31 0:9
A2 = =
0:1 1:2 0:18 1: 39
Z2 0:31 0:9 100 931:0
= =
G2 0:18 1: 39 1000 1372:0
En t = 3
3
0:6 0:5 0:096 1: 235
A3 = =
0:1 1:2 0:247 1: 578
Z3 0:096 1: 235 100 1244: 6

= = :
G3 0:247 1: 578 1000 1553: 3
En t = 4;
4
0:6 0:5 0:065 9 1: 53
A4 = =
0:1 1:2 0:306 1: 770 1
Z4 0:065 9 1: 53 100 1523: 4

= = :
G4 0:306 1: 770 1 1000 1739: 5
Etc. Etc.
En t = 16;
16
0:6 0:5 1: 144 6 5: 739 6
A16 = =
0:1 1:2 1: 147 9 5: 742 9
Z16 1: 144 6 5: 739 6 100 5625: 1
= =
G16 1: 147 9 5: 742 9 1000 5628: 1
En t = 40
40
0:6 0:5 11: 315 56: 574
A40 = =
0:1 1:2 11: 315 56: 574
Z40 11: 315 56: 574 100 55443:

= =
G40 11: 315 56: 574 1000 55443:

CUANDO VEAMOS VALORES PROPIOS (EIGENVALORES) Y VEC-
TORES PROPIOS, VAN A PODER PREDECIR A FUTURO ESTE MOD-
ELO.
Les puedo adelantar, que en este modelo, las poblaciones se van emparejar
en cantidad y pueden decir, desde qué momento serán muy parecidas (o iguales).
POR AHORA, podrían observar lo siguiente:
1. A es un isomor…smo. Por lo tanto, podrían preguntarse:

¿Con qué condiciones iniciales de cantidad de zorros y de gallinas tendríamos
que empezar para que las gallinas se extinguieran? (para que los zorros se ex-
tinguieran?).
Y las observaciones que se les ocurran.
L@s que quieran pásenme sus observaciones (claro lo pueden hacer siempre),
y con una posible demostración de ellas.

Más ejemplos de funciones conocidas que son lineales. Y algunos
espacios vectoriales y matrices importantes.
B. Matrices de permutación
C. Matriz Traspuesta.
B. Matrices de Permutación. 80 1 9
>
< x1 >
=
B .. C ; 8i = 1; :::; n; x 2 k .
Sea n 1 y tomemos el k-espacio vectorial k n = @ . A i
>
: >
;
xn
(Recuerden que todo k espacio vectorial V de dimensión …nita n es isomorfo

a k n : Después usaremos este hecho, de manera muy importante).
De…nición. Sea P 2 Mn (k); una matriz cuadrada de tamaño n (es decir, es

una n n matriz). Diremos que P es una matriz de permutación si satisface
lo siguiente:
p.1. Cada renglón de P tiene un único 1k y lo demás son 0k :

p.2. Cada columna de P tiene un único 1k y lo demás son 0k :
B.1. Ejemplos.
2 3
1k 0k
6 .. 7
1. La matriz identidad In = 4 . 5 es una matriz de permutación.
0k 1k
2. Sean n = 2; 1 := 1k y 0 := 0k : Las siguientes son las únicas matrices de

permutación de 2 2:
1 0 0 1
y
0 1 1 0
3. Sean n = 3; 1 := 1k y 0 := 0k : Las siguientes son las únicas matrices de

permutación de 3 3:
2 3 2 3 2 3 2 3 2 3
1 0 0 0 1 0 0 0 1 1 0 0 0 1 0
4 0 1 0 5; 4 1 0 0 5; 4 0 1 0 5; 4 0 0 1 5; 4 0 0 1 5y
2 0 0 31 0 0 1 1 0 0 0 1 0 1 0 0
0 0 1
4 1 0 0 5
0 1 0

B.2. Importante. Dos maneras de construir todas las matrices de
permutación de tamaño n n; con n 1;
Sea P 2 Mn (k); una matriz de permutación de tamaño n n: Entonces P

de…ne dos funciones biyectivas pc ; pr : f1; :::; ng ! f1; :::; ng: De la siguiente
manera:
h i
P = C e1 en donde C
C e j es la j ésima columna de P: Y también
2 3
e1
R
P =4 ei es el i ésimo renglón de P:
5 donde R
en
R
Recordemos que como P es una matriz de permutación, satisface:
p.1. Cada renglón de P tiene un único 1k y lo demás son 0k :

p.2. Cada columna de P tiene un único 1k y lo demás son 0k :
Entonces las siguientes son funciones biyectivas (no lo probaré, pero si quieren
intentarlo y no les sale o quieren verlo, lo hago).
La función que de…nen las columnas de P :

pc : f1; :::; ng ! f1; :::; ng
i 7 ! h ei tiene al 1 en su entrada h
si C ésima
La función que de…nen los renglones de P :

pr : f1; :::; ng ! f1; :::; ng
j 7 ! s ej tiene al 1 en su entrada s
si R ésima
Ejemplo:
2 3
0 0 1
Sea P := 4 1 0 0 5. Entonces
0 1 0
pc : S = f1; 2; 3g ! f1; 2; 3g
1 7 ! 2
Pues la 1a. columna de P tiene al 1 en
2 7 ! 3
3 7 ! 1
la 2a. entrada, etc.

pr : f1; 2; 3g ! f1; 2; 3g
1 7 ! 3
Pues el 1er. renglón tiene al 1 en su 3a.
2 7 ! 1
3 7 ! 2
entrada, etc.
OBSERVACIÓN: Para quienes sepan y/o les guste las funciones de conjun-
tos, pr pc = 1S = pc pr : :)
Y VICEVERSA: Tómense cualquier función biyectiva p : f1; 2; :::; ng !

f1; 2; :::; ng su inversa p 1 :
a) De…nan, a su gusto, por ejemplo pc := p (escogimos pc con c de columnas).

Entonces construyamos una matriz de permutación P por columnas. De…n-
imos la matriz P 2 Mn (k) de tal manera que el renglón i ésimo de P tenga al
1 en la entrada i; p(i) ésima y las demás son 0:
1
a.1) Si quieren construir la misma P pero por renglones, usen p :
Ejemplo: Sea
p : S = f1; 2; 3g ! f1; 2; 3g
1 7 ! 2
2 7 ! 3
3 7 ! 1
2 3
0 0 1
Si de…nimos pc := p; obtenemos la matriz P = 4 1 0 0 5
0 1 0
2 3
0 0 1
Y si queremos esta misma P = 4 1 0 0 5 construir la renglones, calculen
0 1 0
la inversa p 1
1
p : S = f1; 2; 3g ! f1; 2; 3g
1 7 ! 3 1
, hagamos pr := p y obtenemos P =
2 7 ! 1
3 7 ! 2
2 3
0 0 1
4 1 0 0 5:
0 1 0
b) Construcción de P por renglones. Si ahora escogemos que p =: p

De…nimos la matriz P 2 Mn (k) de tal manera que el renglón i ésimo de P
tenga al 1 en la entrada i; p(i) ésima y las demás son 0:

1
b.1) Si quieren construir la misma P pero por columnas, usen p :
Siguiendo con el ejemplo: Sea

p : S = f1; 2; 3g ! f1; 2; 3g
1 7 ! 2
2 7 ! 3
3 7 ! 1
2 3
0 1 0
Si de…nimos pr := p; obtenemos la matriz P = 4 0 0 1 5
1 0 0
2 3
0 1 0
Y si queremos esta misma P = 4 0 0 1 5 construir la columnas, calculen
1 0 0
la inversa p 1
1
p : S = f1; 2; 3g ! f1; 2; 3g
1 7 ! 3 1
, hagamos pc := p y obtenemos P =
2 7 ! 1
2 3 3 7 ! 2
0 1 0
4 0 0 1 5:
1 0 0
b) Construcción de P por columnas. De…nimos la matriz P 2 Mn (k) de tal

manera que el renglón i ésimo de P tenga al 1 en la entrada i; p(i) ésima y
las demás son 0:
TAREA.
1. Construir todas las matrices de permutación de 4 4:
2. Para quienes gocen de las funciones de conjuntos:
1
Sean p : f1; :::; ng ! f1; :::; ng biyectiva y su inversa p : f1; :::; ng !
f1; :::; ng:
2.1. Y sean P la matriz de permutación de…nida por columnas por p y Q la

matriz de permutación de…nida TAMBIÉN por columnas por p 1 :
Entonces P Q = QP = In la matriz identidad de n n:
2.2. Y sean P la matriz de permutación de…nida por renglones por p y Q la

matriz de permutación de…nida TAMBIÉN por renglones por p 1 :
Entonces P Q = QP = In la matriz identidad de n n:
2.3. Si todavía no pueden demostrarlo en general, hagan un ejemplo en 4 4:
10

B.3. OBSERVACIONES IMPORTANTES: Sea P 2 Mn (k) matriz de
permutación. Entonces
Sea P 2 Mn (k) matriz de permutación. Y como antes, P de…ne dos fun-
ciones biyectivas pr :pc : f1; :::; ng ! f1; :::; ng por renglones y por columnas,
respectivamente.
2 3
a11 a1m
6 .. 7
B.3.1. 8A 2 Mn m (k); A = 4 ... ..
. . 5
an1 anm
La matriz resultante P A tiene los mismos renglones de A; pero permutados.

Es decir, si multiplicamos a P por la izquierda, P permuta renglones y
los permuta de la siguiente manera.
2 3 2 3
a11 a1m R1
6 .. 7 = 6 .. 7 donde R = a
Sea A = 4 ... ..
. . 5 4 . 5 i i1 aim es
an1 anm Rn
el renglón i ésimo de A:
2 3
Rpr (1)
6 .. 7
PA = 4 . 5.
Rpr (n)
32 2 3 2 3
0 1 0 a b R1
Ejemplo. Sean n = 3, P = 4 0 0 1 5 y A = 4 c d 5 = 4 R2 5 :
1 0 0 e f R3
Entonces los renglones de P de…nen una función biyectiva
pr : f1; 2; 3g ! f1:2:3g
1 7! 2
2 7 ! 3
3 7 ! 1
2 32 3 2 3 2 32 3
0 1 0 a b c d R2 Rp(1)
PA = 4 0 0 1 54 c d 5=4 e f 5 = 4 R3 5 4 Rp(2) 5
1 0 0 e f a b R1 Rp(3)
2 3
d11 a1n
6 .. .. .. 7 =
B.3.2. 8D 2 Mm n (k); D = 4 . . . 5 C1 Cn
dm1 amn
donde Cj = d1j dnj es la columna j ésima de D:
La matriz resultante DP tiene las mismas columnas de D; pero permutadas.

Es decir, si multiplicamos a P por la derecha, P permuta columnas y
los permuta de la siguiente manera.
11

DP = Cpc (1) Cpc (n) 2 Mm n (k):
2 3
0 1 0
a c e
Ejemplo: Sean n = 3, P = 4 0 0 1 5yD = = C1 C2 C3
b d f
1 0 0
Entonces
pc : f1; 2; 3g ! f1:2:3g
1 7! 3
2 7 ! 1
3 7 ! 2
2 3
0 1 0
a c e 4 0 e a c
DP = 0 1 5= = C3 C1 C2 :
b d f f b d
1 0 0
C. La Matriz Traspuesta de una Matriz.
De…nición: Sea A 2 Mm n (k) una matriz de tamaño m n con coe…cientes

en k:
Denotemos por Aij a la ij ésima entrada de A; para toda i 2 f1; :::; mg y
j 2 f1; :::; ng
De…nimos la matriz traspuesta de A; a la matriz de tamaño n m; AT 2
Mn m (k); tal que
su ji ésima entrada ATji := Aij para toda j 2 f1; :::; ng y para toda i 2
f1; :::; mg.
2 3
a b
a c e
Ejemplo. Sea A = 4 c d 5, entonces AT = :
b d f
e f
TAREA:
3. Demostrar: Sea A 2 Mm n (k), entonces AT T = (AT )T = A:
4. TAREA PARA ENTREGAR EL MIÉRCOLES 8 de abril de
2020. Demostrar que si A 2 Mm n (k) y B 2 Mt m (k) entonces (BA)T =
AT B T :
12

Monomor…smos, Epimor…smos e Isomor…smos
Parte 10
El que sigue también es un teorema muy importante que nos permite visua-
lizar los monomor…smos, epimor…smos e isomor…smos desde varios puntos de
vista y todos éstos muy útiles.
Recordemos: Sea f : V ! W una función k lineal (no necesariamente de

espacios vectoriales …nitamente generados). De…nimos
1. El núcleo de f o kernel de f; ker f := fx 2 V ; f (x) = 0W g; que es un

k-subespacio vectorial de V:
2. La imagen de f; Im f := ff (x) 2 W ; x 2 V g = fw 2 W ; 9x 2 V; w = f (x)g

que es un k subespacio vectorial de W:
3. Para todo U V k subespacio vectorial de V; la imagen de U bajo f;

"f (U )" := ff (x) 2 W ; x 2 U g que es un k subespacio vectorial de W:
Observen que "f (V )" = Im f:
4. Para todo W 0 W k subespacio vectorial de W; la imagen inversa de W 0

bajo f; "f 1 [W 0 ]" := fx 2 V ; f (x) 2 W 0 g que es un k subespacio vectorial de
V:
Observen que "f 1 (W )" = V:
El teorema que veremos esta semana y su versión en espacios …nitamente

generados son los siguientes:

Teorema. Sea f : V ! W una función k-lineal. Sea X V subconjunto,
de…nimos "f (X)" := ff (v); v 2 Xg la imagen de X bajo la función f: Entonces
a)
f es monomor…smo () ker f = f0V g
() 8X V conj. lin. ind. =) "f (X)" W es lin. ind.
8Z k esp.vect:8 ; : Z ! V k-lineales;
()
[f =f =) = ]
b)
f es epimor…smo () Im f = W
() 8X V , hXi = V =) h"f (X)"i = W
8Z k esp.vect:8 ; : Z ! V k lineales;
()
[ f= f =) = ]
c)
f es isomor…smo () ker f = f0V g e Im f = W
() 9!g : W ! V k-lineal, g f = 1V y f g = 1W
A g la denotaremos por f 1 y
la llamaremos la inversa de f

Tarea. Demostrar que f es un isomor…smo 9!g : W ! V k-lineal, g f = 1V
yf g = 1W :
(Hint: Como f vista como función de conjuntos, es biyectiva y existe g :
W ! V función g f = 1V y f g = 1W : Demostrar que g es k-lineal).

Corolario. Sean V y W k-espacios vectoriales …nitamente generados, con
dimk V = n y dimk W = m: Y sea f : V ! W k-lineal. Entonces
a)
f es monomor…smo () 8BV base de V; f (BV ) W es lin. independiente
() 9BV base de V; f (BV ) W es linealmente ind.
(Es decir, basta con probarlo para una sola base de V )
En este caso, n m
b)
f es epimor…smo () 8BV base de V; hf (BV )i = W
() 9BV base de V; hf (BV )i = W
En este caso, n m
c)
f es isomor…smo () 8BV base de V; f (BV ) es base de W
() 9BV base de V; f (BV ) es base de W
En este caso, n = m

Demostración del Teorema.
a) PD.
()
[f =f =) = ]

a.1) PD. f es monomor…smo () ker f = f0V g.
=)) Sea f un monomor…smo.
PD. ker f = f0V g.
Como f (0V ) = 0W ; entonces (por ser f mono) 8x 2 V; x 6= 0V ; f (x) 6= 0W :
Por lo tanto, ker f = f0V g.
(=) Sea ker f = f0V g.

PD. f es un monomor…smo.
PD. 8x; y 2 V; [f (x) = f (y)] =) [x = y]:
Sean x; y 2 V tales que f (x) = f (y):

PD. x = y
[f (x) = f (y)] () [f (x) f (y) = 0W ] () [f (x y) = 0W ]

f lineal
() [x y 2 ker f ] () [x y = 0V ] () [x = y]:
def ker f ker f =f0V g
Por lo tanot, 8x; y 2 V; [f (x) = f (y)] =) [x = y]:

Por lo tanto, f es monomor…smo.
Por lo tanto, f es monomor…smo () ker f = f0V g.X

a.2.) PD. f es un monomor…smo ()(8X V conjunto linealmente inde-
pendiente =) "f (X)" W es linealmente independiente).

PD. 8X V conj. lin. ind.=) "f (X)" W es lin. ind.
Sea X un conjunto linealmente independiente.

PD. "f (X)" es linealmente independiente en W:
Recordemos que "f (X)" = ff (x) 2 W ; x 2 Xg:
Sean f (x1 ); :::; f (xn ) 2 "f (X)" con x1 ; :::; xn 2 X 1 ; :::; n 2 k tales que
n
X
i f (xi ) = 0W :
i=1
PD. 1 = = n = 0k :
Ahora,
" n
# " n
! # " n
#
X X X
i f (xi ) = 0W () f i xi = 0W () i xi = 0V
f lineal f m ono
i=1 i=1 i=1
() 1 = = n = 0k :
x1 ;:::;xn 2X y Xlin.ind.
Por lo tanto, "f (X)" es linealmente independiente.
Por lo tanto, 8X V conjunto linealmente independiente =) "f (X)" W

es linealmente independiente.

(=) PD. (8X V conjunto linealmente independiente =) "f (X)" W es
linealmente independiente)=)(f es un monomor…smo).
Si 8X V conjunto linealmente independiente =) "f (X)" W es lineal-
mente independiente.
PD. 8x; y 2 V; (f (x) = f (y)) =) (x = y):
1o. 8x 2 V f0V g; f (x) 6= 0W :

Pues si x 6= 0V entonces fxg V es linealmente independiente.
Entonces (por hipótesis), ff (x)g W es linealmente independiente. Por lo
tanto, f (x) 6= 0W :X
2o. 8x 2 V f0V g; 8 2 k f1k g; f (x) 6= f ( x):

Sean x 2 V f0V g y 2 k f1k g:
PD. f (x) 6= f ( x):
Demostración por contradicción.

Supongamos que f (x) = f ( x):
Entonces f (x) f ( x) = 0W
Entonces (1k )f (x) = f ((1k )x) = 0W
Entonces por (1o), (1k ) = 0k
Entonces 1k = ; contradicción (pues 2 k f1k g).
Por lo tanto, f (x) 6= f ( x) para toda 6= 1k :

3o. Sean x; y 2 V tales que f (x) = f (y)
PD. x = y:
3.1. Si f (x) = f (y) = 0W entonces (por (1o.)), x = y = 0V :X
3.2. Si f (x) = f (y) 6= 0W :

PD. x = y:
Demostración por contradicción.
Supongamos que x 6= y:
Entonces por (2o.), x 2 = hfygi y y 2

= hfxgi : (Es decir, no son múltiplos
escalares el uno con el otro). Pues,
como (por hipótesis), x 6= y = 1k y y como f (x) = f (y); por (2o.), x 6= y
con 6= 1k :
Es decir, x 2= hfygi :
Análogamente, y 2
= hfxgi :

Entonces (por de…nición de lin. ind.), fx; yg V es un conjunto linealmente
independiente.
Por lo tanto, por hipótesis, ff (x); f (y)g W es linealmente independiente.
Entonces f (x) 6= f (y); una contradicción (pues por hipótesis, f (x) =

f (y)).
Por lo tanto, x = y:
Por lo tanto,
f es un monomor…smo ()(8X V conjunto linealmente independiente
=) "f (X)" W es linealmente independiente).

a.3) PD. (f es monomor…smo) () (8Z k esp.vect:8 ; : Z ! V; [f =f ] =) [ = ]).
Diremos en este caso: Todo monomor…smo se cancela por la izquierda.
NOTA: Este resultado es porque en conjuntos, las funciones inyectivas se

cancelan por la izquierda.

PD. 8Z k esp.vect:8 ; : Z ! V; [(f =f ) =) ( = )] :
Sean Z k esspacio vectorial y ; : Z ! V funciones k lineales tales que

f =f :
PD. =
PD. 8x 2 Z; (x) = (x):
Sea x 2 Z:
PD. (x) = (x):
Por hipótesis, f =f , entonces
(f )(x) = (f )(x)
Entonces,
f ( (x)) =: (f )(x) = (f )(x) = f ( (x)):
Entonces f ( (x)) = f ( (x)):
Entonces (por ser f mono), (x) = (x):
Por lo tanto, 8x 2 Z; (x) = (x):

Por lo tanto, = :X
10

(=) Sea f : V ! W k lineal tal que satisface que
8Z k esp.vect:8 ; : Z ! V; [f =f ] =) [ = ])
PD.f es monomor…smo.
PD. 8x; y 2 V; (f (x) = f (y)) =) (x = y):

PD. x = y:
Fíjense, de…namos un Z k espacio vectorial y ; : Z ! V funciones

k lineales tales que f =f y en algún punto nos comparen f (x) = f (y):
Es decir, en algún vector v de Z; (v) = x y (v) = y: :)
Por ejemplo, de…namos las siguientes funciones k lineales:
: k ! V : k ! V
y
7 ! x 7 ! y
TAREA: Demuestren que y son k lineales.
PD. f =f
PD. 8 2 k; (f )( ) = (f )( ):
Sea 2 k
PD. (f )( ) = (f )( ):
(f )( ) := f ( ( )) = f ( x) = f (x) =
def. f lineal
= f (y) = f ( y) = f ( ( )) =: (f )( ):
f (x)=f (y) f lineal def
Por lo tanto, f =f :
Por lo tanto, (por hipótesis), = :
En particular, (1k ) = (1k ):

Por lo tanto, x = (1k ) = (1k ) = y:
Por lo tanto, 8x; y 2 V; (f (x) = f (y)) =) (x = y):
11

Ejemplo. TAREA. Demostrar que A : R3 ! R4 es un monomor…smo
usando las 3 equivalencias, donde
2 3
1 0 0
6 1 1 5 7
A=6 4 0
7
1 1 5
3 3 3
1. PD.0
A es 1
un 0
monomor…smo.
1 0 1 0 1
x a x a
PD. 8 @ y A ; @ b A 2 R3 tales que A @ y A = A @ b A ; entonces
0 1 0z 1 c z c
x a
@ y A = @ b A:
z c
80 19
< 0 =
2. PD. ker A = @ 0 A
: ;
0
3. PD. 8V R-espacio vectorial, 8 ; : V ! R3 R-lineales tales que A =

A entonces = :
Demostración. Sean V un R-espacio vectorial y sean ; : V ! R3
R-lineales tales que A =A :
PD. = :
Como ; : V ! R3 entonces0 1 0 1
ax dx
Para todo x 2 V; (x) := @ bx A = (x) := @ ex A 2 R3 :
cx fx
0 1 0 1
ax dx
PD. 8x 2 V; (x) := @ bx A = (x) := @ ex A
cx fx
Sea x 2 V: 0 1 0 1
ax dx
PD. (x) := @ bx A ; (x) := @ ex A
cx fx
Como por hipótesis A =A ; tenemos que
2 3 0 1
0 1 1 0 0 0 1 ax
ax 6 1 1 7 a x B bx ax + 5cx C
5
(A ) (x) = A( (x)) = A @ bx A = 6 4 0
7 @ bx A = B
5 @
C
A
1 1 cx bx
cx cx
3 3 3 3ax + 3bx + 3cx
2 3 0 1
0 1 1 0 0 0 1 dx
dx 6 1 1 7 dx B ex dx + 5fx C
5
(A ) (x) = A( (x)) = A @ ex A = 6 4 0
7 @ ex A = B
5 @
C
A
1 1 fx ex
fx fx
3 3 3 3ex + 3dx + 3fx
12

Como (A ) (x) = (A ) (x)
0 1 0 1
ax dx
B bx ax + 5cx C B ex dx + 5fx C
Entonces B
@
C=B
A @
C Y SÍGANLE :)
A
cx bx fx e x
3ax + 3bx + 3cx 3ex + 3dx + 3fx
Aplicación: NO existe función k lineal f : k 4 ! k 3 que sea monomor-

…smo.
Demostración: 4 > 3:
13

Lema. Toda función R-lineal f : Rn ! Rm es continua.
Demostración.
n
0. Si f = 0R
Rn la constante 0Rm ; entonces f es continua.X
n
1. Sea f 6= 0R
Rn :
Si no hay confusión, denotaremos por k k a las normas usuales de Rn y Rm :
Xn
n
Sea M:= kf (ei )k > 0 pues f 6= 0R
Rn :
i=1
PD. M < 1: Es decir, realmente es un máximo.
PD. 8v 2 Rn tal que kvk = 1; kf (v)k M.

Sea B = fe1 ; :::; en g la base canónica de Rn :
Sea v 2 Rn tal que kvk = 1:
PD. kf (v)k M.
n
X
n
Como B es base de R , 9 1 ; :::; n 2 R tales que v = i ei :
i=1
Observemos que si kvk = 1 entonces j i j 1 para i = 1; :::; n:
Ahora
n
X n
X n
X
kf (v)k = i f (ei ) j i j kf (ei )k kf (ei )k =
f lineal k k norm a observación
i=1 i=1 i=1
M.
2. PD. 8z 2 Rn , kf (z)k M kzk :

Sea z 2 Rn .
PD. kf (z)k M kzk :
2.1. Si z = 0Rn entonces

f (z) = f (0Rn ) = 0Rm = M 0Rm :X
2.2. Sea z 6= 0Rn :

PD. kf (z)k M kzk :
z 1
Como z 6= 0Rn entonces kzk =
6 0y kzk = kzk kzk = 1:
Entonces, por (1),

z
f ( kzk ) M:
Entonces,
z 1 1
M f ( kzk ) = kzk f (z) = kf (z)k :
f lineal k k norm a kzk
Por lo tanto, kf (z)k M kzk :X
3. Esto basta para probar que f es una función continua, pues kf (x) f (y)k =
kf (x y)k < M kx yk :
Ahora, si " > 0 y por (2) tenemos que kf (x) f (y)k = kf (x y)k <
M kx yk :
"
Entonces de…namos := M > 0 pues M > 0:
PD. f es continua.
De hecho es uniformemente continua.
PD. 8" > 0 9 > 0; 8x; y 2 Rn ; kx yk < =) kf (x) f (y)k < ":
Sea " > 0

PD. 9 > 0; 8x; y 2 Rn ; kx yk < =) kf (x) f (y)k < ":
"
Sea := M :
PD. 8x; y 2 Rn ; kx yk < =) kf (x) f (y)k < ":
Sean x; y 2 Rn ; kx yk < :
PD. kf (x) f (y)k < ":
"
Como kf (x) f (y)k = kf (x y)k M kx yk < M = MM =
f lineal (2) hip ótesis
":
Por lo tanto, kf (x) f (y)k < ":
Por lo tanto, f es uniformemente continua.

Por lo tanto, f es continua.
Álgebra Lineal I.
Monomor…smos, Epimor…smos e Isomor…smos
Recordemos. Sean (V; +V ; V ), (W; +W ; W ) k-espacios vectoriales y f : V !

W una función (de conjuntos) es una función (o transformación) (k )lineal
si y sólo si: 8v; v 0 2 V; 8 2 k se tiene que
i) f (v +V v ) = f (v) +W f (v 0 )
ii) f ( V v) = W f (v)
Observaciones. Sea f : V ! W función entre k-espacios vectoriales. Demostrar

O.1. f (0V ) = 0W (pues f (0V ) = f (0 V 0V ) = 0k W f (0V ) = 0W ).
W esp.vect.
Dem.: Sea x 2 V:
PD. f ( x) = f (x):
Recordemos que demostramos que x = ( 1k ) V x: Entonces
f ( x) = f (( 1k ) V x) = ( 1k ) W f (x) = f (x);p
f lineal
O.3. El núcleo de f; ker f := fv 2 V ; f (v) = 0W g V es k-subespacio vectorial

de V .
O.4. La imagen de f; Im f := ff (x) 2 W ; x 2 V g W es un k-subespacio
vectorial de W:
O.5. Para todo U V k subespacio vectorial de V; la imagen de U bajo f;

"f (U )" := ff (x) 2 W ; x 2 U g que es un k subespacio vectorial de W:
Observen que "f (V )" = Im f:
O.6. Para todo W 0 W k subespacio vectorial de W; la imagen inversa de

W 0 bajo f; "f 1 [W 0 ]" := fx 2 V ; f (x) 2 W 0 g que es un k subespacio vectorial
de V:
Observen que "f 1 (W )" = V:
NOTA: Por comodidad, si no hay confusión, no pondremos los subíndices

en las operaciones de + y .

tiva).

Teorema. Sea f : V ! W una función k-lineal. Sea X V subconjunto,
a)
8Z k esp.vect:8g; h : Z ! V k lineales;
()
[f g = f h =) g = h]
b)
() 8X V , hXi = V =) h"f (X)"i = W
8Z k esp.vect:8g; h : W ! Z; k lineales
()
[g f = h f =) g = h]
c)
A g la denotaremos por f 1 y la llamaremos la inversa de f
Tarea. Demostrar que f es un isomor…smo 9!g : W ! V k-lineal, g f = 1V y

f g = 1W :
Demostración.
a) PD.
8Z k esp.vect:8g; h : Z ! V k lineales;
()
[f g = f h =) g = h]
a.1) PD. f es monomor…smo () ker f = f0V g.
PD. ker f = f0V g.
Como f (0V ) = 0W ; entonces (por ser f mono) 8x 2 V; x 6= 0V ; f (x) 6= 0W :
Por lo tanto, ker f = f0V g.
(=) Sea ker f = f0V g.

PD. 8x; y 2 V; [f (x) = f (y)] =) [x = y]:
PD. x = y
[f (x) = f (y)] () [f (x) f (y) = 0W ] () [f (x y) = 0W ]

f lineal

() [x y 2 ker f ] () [x y = 0V ] () [x = y]:
def ker f ker f =f0V g
Por lo tanto, f es monomor…smo () ker f = f0V g.X
a.2.) PD. f es un monomor…smo () (8X V conjunto linealmente indepen-

diente =) "f (X)" W es linealmente independiente).

PD. 8X V conjunto linealmente independiente =) "f (X)" W es line-
nalmente independiente.
Sea X un conjunto linealmente independiente.

PD. "f (X)" es linealmente independiente en W:
Recordemos que "f (X)" = ff (x) 2 W ; x 2 Xg:
Sean f (x1 ); :::; f (xn ) 2 "f (X)" con x1 ; :::; xn 2 X 1 ; :::; n 2 k tales que
n
X
i f (xi ) = 0W :
i=1
PD. 1 = = n = 0k :
Ahora,
" n
# " n
! # " n
#
X X X
i f (xi ) = 0W () f i xi = 0W () i xi = 0V
f lineal f m ono
i=1 i=1 i=1
() 1 = = n = 0k :
x1 ;:::;xn 2X y X lin.ind.
Por lo tanto, "f (X)" es linealmente independiente.
Por lo tanto, 8X V conjunto linealmente independiente =) "f (X)" W

es linealmente independiente.
(=) PD. (8X V conjunto linealmente independiente =) "f (X)" W es

linealmente independiente)=)(f es un monomor…smo).
Supongamos que 8X V conjunto linealmente independiente =) "f (X)"
W es linealmente independiente.
PD. 8x; y 2 V; (f (x) = f (y)) =) (x = y):
1o. 8x 2 V f0V g; f (x) 6= 0W :

Pues si x 6= 0V entonces fxg V es linealmente independiente.

Entonces (por hipótesis), ff (x)g W es linealmente independiente. Por lo
tanto, f (x) 6= 0W :X
2o. PD. f es un monomor…smo.

PD. x = y:
Como f (x) = f (y); entonces f (x y) = 0W :

Entonces por (1o), fx yg no puede ser linealmente independiente. Pero es
un conjunto de un sólo vector, por lo tanto x y = 0V :
Por lo tanto, x = y:
Es decir, probamos que f es un monomor…smo () (8X V conjunto lineal-

mente independiente =) "f (X)" W es linealmente independiente).
a.3) PD. (f es monomor…smo) () (8Z k esp.vect:8 ; : Z ! V; [f =f ] =) [ = ]).

Diremos en este caso: Todo monomor…smo se cancela por la izquierda.
NOTA: Este resultado es porque en conjuntos, las funciones inyectivas se

cancelan por la izquierda.

PD. 8Z k esp.vect:8g; h : Z ! V; [f g=f h =) g = h] :
Sean Z k esspacio vectorial y g; h : Z ! V funciones k lineales tales que

f g = f h:
PD. g = h:
PD. 8x 2 Z; g(x) = h(x):
Sea x 2 Z:
PD. g(x) = h(x):
Por hipótesis, f g=f h, entonces
(f g)(x) = (f h)(x)
Entonces,
f (g(x)) =: (f g)(x) = (f h)(x) = f (h(x)):
Entonces f (g(x)) = f (h(x)):
Entonces (por ser f mono), g(x) = h(x):

Por lo tanto, 8x 2 Z; g(x) = h(x):
Por lo tanto, g = h:X
(=) Sea f : V ! W k lineal tal que satisface que

8Z k esp.vect:8g; h : Z ! V; [f g = f h] =) [g = h])
PD.f es monomor…smo.
PD. 8x; y 2 V; (f (x) = f (y)) =) (x = y):

PD. x = y:
Fíjense, de…namos un Z k espacio vectorial y g; h : Z ! V funciones

k lineales tales que f g = f h y en algún punto nos comparen f (x) = f (y):
Es decir, en algún vector v de Z; g(v) = x y h(v) = y: :)
Por ejemplo, de…namos las siguientes funciones k lineales:
g: k ! V h: k ! V
y
7 ! x 7 ! y
TAREA: Demuestren que g y h son k lineales.
PD. f g=f h:
PD. 8 2 k; (f g)( ) = (f h)( ):
Sea 2 k
PD. (f g)( ) = (f h)( ):
(f g)( ) := f (g( )) = f ( x) = f (x) = f (y) = f ( y) =

def.g f lineal f (x)=f (y) f lineal def h
f (h( )) =: (f h)( ):
Por lo tanto, f g = f h:
Por lo tanto, (por hipótesis), g = h:
En particular, g(1k ) = h(1k ):

Por lo tanto, x = g(1k ) = h(1k ) = y:
Por lo tanto, 8x; y 2 V; (f (x) = f (y)) =) (x = y):
b) PD.
() 8X V , hXi = V =) h"f (X)"i = W
8Z k esp.vect:8g; h : W ! Z k-lineales;
()
[g f = h f =) g = h]

Esta vez, para demostrar estas equivalencias, demostraremos lo siguiente:
PD. (f es epimor…smo) =) (Im f = W ) =) (8X V , hXi = V =)

h"f (X)"i = W )
=) (8Z k esp.vect:8g; h : W ! Z k lineales; [g f = h f =) g = h])
=) (f es epimor…smo).
b.1. PD. [f es epimor…smo] =) [Im f = W ].
Sea f un epimor…smo (suprayectiva).

PD. Im f = W .
Recordemos que Im f := ff (v) 2 W ; v 2 V g es un k subespacio de W:
)X pues Im f es k subespacio vectorial de W:

) PD. 8w 2 W; w 2 Im f:
Sea w 2 W:
PD. w 2 Im f:
Por hipótesis, f es un epimor…smo (suprayectiva). Es decir, f satisface lo
siguiente: Para todo y 2 W; existe (al menos un) v 2 V tal que y = f (v):
Por lo tanto, para esta w 2 W; existe v 2 V tal que w = f (v) 2 Im f:
Por lo tanto, w 2 Im f:
Por lo tano, 8w 2 W; w 2 Im f:
Por lo tanto, W Im f:
Por lo tanto, W = Im f:X
b.2. PD. (Im f = W ) =) (8X V , hXi = V =)(h"f (X)"i = W )

Sea W = Im f:
PD. 8X V conjunto generador de V =) "f (X)" es conjunto generador
de W:
Sea X V tal que hXi = V:

PD. h"f (X)"i = W .
caso 1. V = f0V g:
Entonces Im f = f0W g y los únicos conjuntos generadores de V serán el
conjunto vacío ; y V = f0V g: mismo.
Por lo tanto,
Si X = ; entonces "f (;)" = ; y h"f (;)"i = h;i = f0W g = Im f = W:
Im f =W

Entonces "f (;)" genera a W:
Y si X = V; entonces "f (V )" = Im f = W:

Im f =W
Entonces "f (V )" genera a W:
Por lo tanto, 8X V = f0V g conjunto generador de V =) "f (X)" es

conjunto generador de W:
caso 2. V 6= f0V g:
Estamos con la hipótesis de que Im f = W:
PD. 8X V conjunto generador de V =) "f (X)" es conjunto generador
de W:
Sea X V conjunto generador de V

PD. "f (X)" es conjunto generador de W:
Como V 6= f0V g;(entonces X 6= ;: )

Xn
Entonces hXi = i xi 2 V ; n 1; 8i = 1; :::; n; i 2 k y xi 2 X el con-
i=1
junto de combinaciones lineales de elementos de X y hXi = V:
PD. h"f (X)"i = W:
)X ¿por qué?
) PD. 8w 2 W; w 2 h"f (X)"i :
Sea w 2 W:
Como W = Im f (por hipótesis).
Entonces existe v 2 V tal que w = f (v):
Como v 2 V = hXi, entonces existen 1 ; :::; n 2 k y x1 ; :::; xn 2 X tales

n
X
que v = i xi :
i=1
n
! n
X X
Entonces w = f (v) = f i xi = i f (xi ) 2 h"f (X)"i :
f lineal x1 ;:::;xn 2X
i=1 i=1
Por lo tanto, w 2 h"f (X)"i :

Por lo tanto, W h"f (X)"i :
Por lo tanto, W = h"f (X)"i :

Por lo tanto, 8X V conjunto generador de V =) "f (X)" es conjunto
generador de W:X
b.3. PD. (8X V , hXi = V =) h"f (X)"i = W )

=) (8Z k esp.vect:8g; h : W ! Z k lineales; [g f = h f =) g = h])
Supongamos que f satisface que 8X V , [hXi = V ] =) [h"f (X)"i = W ].

Observación. Como hV i = V y "f (V )" = Im f = hIm f i = W:
Im f V hip ótesis
PD. 8Z k esp.vect:8g; h : W ! Z k lineales; [g f = h f =) g = h].
Sean Z k espacio vectorial y g; h : W ! Z k lineales tales que g f = h f:

PD. g = h:
PD. 8w 2 W; g(w) = h(w):
Sea w 2 W:
PD. g(w) = h(w):
Por la observación anterior, existe (al menos un) x 2 V tal que f (x) = w:
Y como g f = h f; tenemos que para esta x:
(g f ) (x) = (h f ) (x)
Entonces g(w) = g(f (x)) =: (g f ) (x) = (h f ) (x) = h(f (x)) = h(w):
Por lo tanto, 8w 2 W; g(w) = h(w):

Por lo tanto, g = h:
(Por lo tanto, f se cancela por la derecha).X
b.4. PD. (8Z k esp.vect:8g; h : W ! Z k lineales; [g f = h f =) g = h])

=) (f es un epimor…smo).
Sea f tal que (8Z k esp.vect:8g; h : Z ! V k lineales; [g f = h f =) g = h]).

PD. f es un epimor…smo.
PD. 8x 2 W; 9x 2 V; f (x) = w:
Antes de demostrar que f es un epimor…smo, observemos lo siguiente:

W
b.4.1. De…namos las siguientes funciones g; h : W ! Im f
W
g: W ! Im f la función lineal que de…nimos cuando vimos espa-
w 7 ! [w]Im f
cios cociente

W
h: W ! Im f
la función constante 0W =0 W :
w 7 ! 0W Im f
Im f Im f
PD. g f = h f:
Sea x 2 V:
PD, (g f )(x) = (h f )(x):
(g f )(x) := g(f (x)) := [f (x)]Im f = 0 W =: h(f (x)) = (h f )(x):

f (x)2Im f Im f
Por lo tanto, g f = h f:
Por lo tanto, (pues f se cancela por la derecha), g = h:
Por lo tanto, 8w 2 W; g(w) = h(w) = 0 W :
Im f
b.4.2. PD. f es un epimor…smo.

PD. 8w 2 W; 9x 2 V; f (x) = w:
Sea w 2 W
PD. 9x 2 V; f (x) = w:
Por (b.4.1), 0 W = g(w) := [w]Im f

Im f
Sabemos que 0 W = [w]Im f = Im f:

Im f
Por lo tanto, w 2 Im f:
Por lo tanto, 9x 2 V; f (x) = w:
Por lo tanto, 8w 2 W; 9x 2 V; f (x) = w:
Por lo tanto, f es un epimor…smo.
c) PD.
c.1. Como consecuencia de (1,2), tenemos que

f es isomor…smo () ker f = f0V g e Im f = W .X
c.2. PD. f es un isomor…smo () 9!g : W ! V k-lineal, g f = 1V y f g = 1W :
(=) PD. Si 9!g : W ! V k-lineal, g f = 1V y f g = 1W entonces f es un

isomor…smo.

Como existe g : W ! V k-lineal, g f = 1V y f g = 1W entonces f
es biyectiva (de conjuntos) pero como también es lineal, tenemos que f es un
isomor…smo.X
=)) PD. Si f es un isomor…smo entonces 9!g : W ! V k-lineal, g f = 1V y

f g = 1W :
Les dejé que intentaran el siguiente ejercicio.
Tarea. Demostrar que f es un isomor…smo 9!g : W ! V k-lineal, g f = 1V y
f g = 1W :
Como f es un isomor…smo, entonces f es una función de conjuntos biyectiva.

Por lo tanto, 9!g : W ! V función de conjuntos, g f = 1V y f g = 1W :
Entonces para demostrar el resultado, nos bastaría demostrar que g es una

función k lineal.
PD. g es k lineal.
Sea f es un isomor…smo. Entonces f es una función biyectiva de conjuntos y
por lo tanto, existe una única función de conjuntos g : W ! V tal que g f = 1V
y f g = 1W :
PD. g : W ! V es función k lineal.
Demostración.
PD.8w; z 2 W; 8 2 k;
g(w + z) = g(w) + g(z) y g( w) = g(w):
Sean w; z 2 W; 8 2 k;
PD. f (w + z) = f (w) + f (z):
Como f es lineal y un epimor…smo (recuerden que es iso),

9x; y 2 V tales que f (x) = w, f (y) = z y f (x + y) = w + z:
Ahora, como g f = 1V y como f (x + y) = w + z: Entonces
( ) : g(w + z) = g(f (x + y)) = (g f )(x + y) = 1V (x + y) = x + y:

De igual manera, como g f = 1V , f (x) = w y f (y) = z tenemos que
g(w) + g(z) = g(f (x)) + g(f (y)) =
= (g f )(x) + (g f )(y) = 1V (x) + 1V (y) = x + y =
def
= g(w + z):
( )
Por lo tanto, g(w + z) = g(w) + g(z):

TAREA. Sean w 2 W y 2 k
PD. f ( w) = f (w):
10

Por lo tanto, f es un isomor…smo () 9!g : W ! V k-lineal, g f = 1V y
f g = 1W :
Corolario. Sean V y W k-espacios vectoriales …nitamente generados, con

dimk V = n y dimk W = m: Y sea f : V ! W k-lineal. Entonces
a)
En este caso, n m
b)
En este caso, n m
c)
En este caso, n = m
Demostración.
a.1) PD. f monomor…smo =) 8BV base de V; f (BV ) W es lin. independiente
Por teorema anterior,
f es monomor…smo () 8X V; X lin. ind. ) f (X) W es lin. independiente
En particular,
f es monomor…smo =) 8BV base de V; f (BV ) W es lin. independiente.X
a.2) PD. 8BV base de V; f (BV ) W es lin. independiente. Entonces 9BV base
de V; f (BV ) W es lin. independiente.
Como V es …nitamente generado, entonces tiene bases, sea B base de V:
Entonces, por hipótesis, f (B) W es lin. independiente.
Por lo tanto, 9BV base de V; f (BV ) W es lin. independiente.X
a.3) PD. 9BV base de V; f (BV ) W es lin. independiente. Entonces f es un

monomor…smo.
Sea BV = fx1 ; :::; xn g base de V tal que f (BV ) W es lin. independiente.
PD. ker f = f0V g:
) Como ker f V subespacio vectorial, entonces f0V g ker f:
) Sea v 2 ker f: Como BV es base de V; existen 1 ; :::; n 2 k tales que
P
n
v= i xi : Entonces
i=1
11

P
n P
n
0V = f (v) = f ( i xi ) = i f (xi ) =) 8i = 1; :::; n, i =
v2ker f i=1 i=1 f (BV ) lin. ind.
0k :
P
n
Por lo tanto, v = i xi = 0V ;
i=1
Por lo tanto, ker f = f0V g: Es decir, f es monomor…smo.X
Y con esto terminamos de demostrar (a).

Más aún, n = jf (BV )j m:
f m ono f (BV ) lin.ind.
b) PD.
En este caso, n m
b.1) PD. f epimor…smo =) 8BV base de V; hf (BV )i = W .
Por teorema anterior,

f es epimor…smo () 8X V; hXi = V ) hf (X)i = W
En particular,
f es epimor…smo =) 8BV base de V; hf (BV )i = W .X
b.2) PD. 8BV base de V; hf (BV )i = W . Entonces 9BV base de V; hf (BV )i = W .

Como V es …nitamente generado, entonces tiene bases, sea B base de V:
Entonces, por hipótesis, hf (BV )i = W .
Por lo tanto, 9BV base de V; hf (BV )i = W .X
b.3) PD. Si 9BV base de V; hf (BV )i = W , entonces f es un epimor…smo.

Sea BV = fx1 ; :::; xn g base de V tal que hf (BV )i = W .
PD. Im f = W:
) Como Imf W subespacio vectorial, entonces Im f W:
) Sea w 2 W: Como hf (BV )i = W; existen 1 ; :::; n 2 k tales que w =

P
n
i f (xi ): Entonces
i=1
P
n P
n
w= i f (xi ) = f i xi 2 Im f:
i=1 f lineal i=1
Por lo tanto, Im f = W: Es decir, f es un epimor…smo.X
12

Y con esto terminamos de demostrar (b).
Más aún, m jf (BV )j n:
hf (BV )i=W jBV j=n
c) Por (a) y (b) tenemos.

En este caso, n = m
13

SISTEMA DE ECUACIONES LINEALES
Históricamente, el tratar de hallar soluciones de un sistema de ecuaciones

lineales inició lo que ahora se conoce como Álgebra Lineal.
Sea k = R. Un ejemplo de un sistema de ecuaciones lineales reales en las

variables x; y y z sería:
4 x + 2z = 7
( )
8x 5y + 12z = 23
Y diríamos que es un sistema de 2 ecuaciones lineales reales en 3 variables.
De…nición: Sea k un campo. Llamaremos un sistema de m ecuaciones
(k )lineales en n incógnitas a un arreglo del siguiente tipo
8
< a11 x1 + a12 x2 +
> + a1n xn = b1
( ): .. .. ..
> . . .
:
am1 x1 + am2 x2 + + amn xn = bm
donde 8i; j, aij ; bi 2 k .
Ejemplo: Sea k = R.
4 x + 2z = 7
( )
8x 5y + 12z = 23
Es un sistema de 2 ecuaciones lineales reales en las variables x; y y z.
De…nición: Sea k un campo. Llamaremos un sistema de m ecuaciones
(k )lineales en n incógnitas a un arreglo del siguiente tipo
8
< a11 x1 + a12 x2 +
> + a1n xn = b1
( ): .. .. ..
> . . .
:
donde 8i; j, aij ; bi 2 k .
Diremos que el sistema ( ) tiene solución si existen 1 ; :::; n 2 k tales

que satisfacen las ecuaciones del sistema
8
< a11 1 + a12 2 +
> + a1n n = b1
.. .. ..
> . . .
:
am1 1 + am2 2 + + amn n = bm
Siguiendo con el Ejemplo: Sea k = R.
4 x + 2z = 7
( )
8x 5y + 12z = 23
Si tomamos a x := 74 ; y := 14+23
5 y z := 0, tenemos que es una solución
para ( ):
Es decir,
8
< 4 7
+ (2 0) = 7
4
: 8 7
5 14+23
+ (12 0) = 23
4 5
Veamos qué podemos decir, con lo que hasta ahorita hemos visto en clase.
Replantearemos la pregunta o más bien, reformulemos el lenguaje:
8
< a11 x1 + a12 x2 +
> + a1n xn = b1
Sea ( ) : .. .. ..
> . . .
:
un sistema de m ecuaciones k lineales (reales: ie., 8i; j, aij ; bi 2 k) en n incóg-

nitas. Entonces
El sistema ( ) tiene solución si y sólo si
( ):
2 30 1 0 1
a11 a1n x1 b1
6 .. .. .. 7 B .. C = B .. C tiene solución.
4 . . . 5@ . A @ . A
am1 amn xn bm
Pues
0 1 2 30 1 0 1
b1 a11 a1n x1 a11 x1 + a12 x2 + + a1n xn
B .. C 6 .. .. .. 7 B .. C := B .. C
@ . A=4 . . . 5@ . A @ . A
bm am1 amn xn am1 x1 + am2 x2 + + amn xn
Y sabemos que dos vectores son iguales si y sólo si entrada por entrada son
iguales.
Siguiendo el ejemplo: Tenemos ( ) un sistema de 2 ecuaciones lineales
reales en 3 incógnitas.
4 x + 2z = 7
( ):
8x 5y + 12z = 23
Entonces
El sistema ( ) tiene solución si y sólo si

0 1
x
4 0 2 @ y A= 7
tiene solución.
8 5 12 23
z
Es decir, lo que se está preguntando es lo siguiente:
Tenemos la función lineal

4 0 2
A := ; R3 ! R2 y queremos saber si existe un vector en
8 5 12
0 1
el dominio, @ A 2 R3 tal que bajo la función A;

0 1
7
A@ A= :
23
0 1
Esta pregunta ya la pueden contestar: ¿cuándo existe @ A?
0 1 0 1
7 7
9@ A 2 R3 ; A @ A= si y sólo si 2 Im A:
23 23
Y también sabemos que la Im A está generada por las columnas de A:
4 0 2
Im A = ; ;
8 5 12
En este ejemplo concreto, ¿qué pueden decir?
4 0 2
Im A = ; ; = R2
8 5 12
A es un epimor…smo!! Entonces el sistema ( ) seguro tiene al menos una

solución!!
Hagámoslo en general:
Observaciones:
8
< a11 x1 + a12 x2 +
> + a1n xn = b1
Sea ( ) : .. .. ..
> . . .
:
un sistema de m ecuaciones lineales (reales: ie., 8i; j, aij ; bi 2 k) en n incógnitas.

Entonces
1. El sistema ( ) tiene solución si y sólo si
(2 ) : 30 1 0 1
a11 a1n x1 b1
6 .. .. .. 7 B .. C = B .. C tiene solución.
4 . . . 5@ . A @ . A
am1 amn xn bm
2 3
a11 a1n
6 .. .. .. 7 y la llamaremos la
Denotemos a esta matriz por A := 4 . . . 5
am1 amn
matriz del sistema ( ):
2. ( 0
): 1 2 30 1 0 1
x1 a11 a1n x1 b1
B C 6 .. 7 B .. C = B .. C tiene solución
A @ ... A = 4 ... ..
. . 5@ . A @ . A
xn am1 amn xn bm
si y sólo si
0 1 0 1 0 1
b1 * a11 a1n +
B .. C B .. C B .. C
@ . A 2 Im A = @ . A ; :::; @ . A :
bm am1 amn
De…nición. Sea A 2 Mm n (k): El rango de A; rkA; es la dimensión de la
Im A:
rkA := dimk Im A
0 1 0 1
* a11 a1n +
B .. C B .. C
Y como Im A = @ . A ; :::; @ . A ;
am1 amn
rkA := dimk A es el número de columnas linealmente independientes de A:
Ejemplo:
4 0 2
Sea A := ;
8 5 12
4 0 2
Im A = ; ; : Entonces rkA = 2:
8 5 12
2.0( ) : 1 2 30 1 0 1
x1 a11 a1n x1 b1
B .. C 6 .. .. .. 7 B .. C = B .. C tiene solución
A@ . A = 4 . . . 5@ . A @ . A
xn am1 amn xn bm
si y sólo si
0 1 0 1 0 1
b1 * a11 a1n +
B .. C B .. C B .. C
@ . A 2 Im A = @ . A ; :::; @ . A :
bm am1 amn
si y sólo si
0 1 0 1 0 1 0 1 0 1
* a11 a1n + * a11 a1n b1 +
B .. C B .. C B .. C B .. C B .. C
@ . A ; :::; @ . A = @ . A ; :::; @ . A ; @ . A
am1 amn am1 amn bm
si y sólo si
2 3 2 3
a11 a1n a11 a1n b1
6 .. .. .. 7 = rk 6 .. .. .. .. 7
rk 4 . . . 5 4 . . . . 5
am1 amn am1 amn bm
2 3
a11 a1n b1
6 .. .. .. .. 7 se le llama la matriz aumentada del sistema
A 4 . . . . 5
am1 amn bm
( ):
Entonces tenemos la primera parte del siguiente Teorema:
Teorema. Sea k un campo y
8
< a11 x1 + a12 x2 +
> + a1n xn = b1
( ): .. .. ..
> . . .
:

Entonces
8
< a11 x1 + a12 x2 +
> + a1n xn = b1
a) ( ): .
.. .. .. tiene solución ,
> . .
:
2 am1 x1 + am2 x2 + 3 0+ amn1xn 0= bm1
a11 a12 a1n x1 b1
6 .. .. . .. . 7 B . C
.. 5 @ .. A = @ ... C B
4 . . A tiene solución ,
am1 0am2 1 amn
2 xn bm 3
b1 a11 a12 a1n
B .. C 6 .. .. .. .. 7
@ . A 2 Im 4 . . . . 5 ()
2 bm 3 am1
2 am2 amn 3
a11 a12 a1n a11 a12 a1n b1
6 .. .. .. .. 7 = rk 6 .. .. .. .. .. 7
rk 4 . . . . 5 4 . . . . . 5
am1 am2 amn am1 am2 amn bm
Ahora, la siguiente pregunta:
Si el sistema ( ) tiene (al menos una) solución, ¿podremos hallar TODAS

las soluciones?
Volvamos al ejemplo:
Tenemos
4 0 2
A := ; R3 ! R2 y vimos que es un epimor…smo. Por lo
8 5 12
tanto, nuestro sistema tiene al menos una solución.
0 1
x
4 0 2 @ y A= 7
8 5 12 23
z
0 7
1
4
Por ejemplo el vector @ 14+23
5
A es solución del sistema.
0
4 0
(Sáquenlo a pie o como quieran. Fíjense ; es base de
8 5
R2 ).
Es0decir, 1 0 1
7 7
4 4 0 2 4 7
A@ 14+23
5
A= @ 14+23
5
A=
8 5 12 23
0 0
Además, ya sabemos entonces cómo sacar TODAS las soluciones del sistema:
0 1 0 1 0 7
1
4
8@ A 2 R3 ; A @ A = A@ 14+23
5
A
0
si y sólo si
20 1 0 7
13
4 0
A 4@ A @ 14+23
5
A5 =
0
0
si y sólo si
0 1 0 7
1
4
@ A @ 14+23 A 2 ker A:
5
0
10
Es decir, si tomamos la relación de equivalencia ker A : 8v; w 2 R3 , v ker A
w si y sólo si v w 2 ker f:
Entonces el conjunto de TODAS las soluciones del sistema será la clase de

equivalencia
20 7
13 0 7
1
4 4
4@ 14+23 A5 que sabemos que es el núcleo ker A trasladado a @ 14+23 A:
5 5
0 ker A
0
Entonces basta encontrar el núcleo de A:
Lo pueden hacer a pie o con computadora:

2 1
3
4 0 2 2
, nullspace basis: 4 5
1
(12 + 4) 5
8 5 12
1
Por lo tanto,
2 *80 19+ 8 0 1 9
1 1
< 2 = < 2 =
ker A = @ 1
(12 + 4) A = @ 1
(12 + 4) A ; 2R
: 5 ; : 5 ;
1 1
Por lo tanto, EL CONJUNTO DE SOLUCIONES DEL SISTEMA
4 x + 2z = 7
( ): es
8x 5y + 12z = 23
80 7
1 0 1 0 1 9
< 4 =
@ 14+23 A+@ A 2 R3 ; @ A 2 ker A =
: 5 ;
0
80 7
1 0 1
1 9
< 4 2 =
= @ 14+23 A+ @
5
1
(12 + 4) A ; 2R :
: 5 ;
0 1
11
TEOREMA.
8 Sean
>
< a11 x 1 + a12 x2 + + a1n xn = b1
( ) : .. .. .. un sistema de m ecua-
> . . .
:
ciones lineales en n incógnitas. Entonces
8
< a11 x1 + a12 x2 +
> + a1n xn = b1
a) ( ): .
.. .. .. tiene solución ,
> . .
:
2 am1 x 1 + a m2 x 2 + 30+ amn
1 0x n = bm1
a11 a12 a1n x1 b1
6 .. .. .. .. 7 B .. C = B .. C
4 . . . . 5@ . A @ . A tiene solución ,
am1 0am2 1 amn
2 xn bm 3
b1 a11 a12 a1n
B .. C 6 . .. .. .. 7
@ . A 2 Im 4 .. . . . 5 ()
2 bm 3 am1
2 am2 amn 3
a11 a12 a1n a11 a12 a1n b1
6 .. .. .. .. 7 = rk 6 .. .. . .. .. .. 7
rk 4 . . . . 5 4 . . . . 5
.
2 3
a11 a12 a1n
6 .. 7 y supongamos
b) Más aún, denotemos por A := 4 ... ..
.
..
. . 5
8 am1 am2 amn
> a
< 11 1 x + a x
12 2 + + a x
1n n = b 1
que ( ) : .. .. .. tiene solución.
> . . .
:
0 1 0 1 0 1
y1 y1 b1
B C B C B C
Es decir, existe v = @ ... A 2 k n tal que A @ ... A = @ ... A =: b:
yn yn bm
Entonces el conjunto de todas las soluciones del sistema ( ) es
w 2 k n ; Aw = b = "v + ker A" := fw 2 k n ; 9z 2 ker A; w = v + zg

8
< a11 x1 + a12 x2 +
> + a1n xn = 0
c) Sea ( 0 ) : .
.. .. .. un sistema de ecua-
> . .
:
am1 x1 + am2 x2 + + amn xn = 0
0 1
0
B .. C
ciones lineales donde b = @ . A : A este tipo de sistemas se les llama sis-
0 m
temas homogéneos.
12
1 0 0 1
0 0
B C B .. C :
Y observemos que siempre tiene solución, pues A @ ... A = @ . A
0 n 0 m
8 1 9 0
>
< 0 >
=
n B .. C
Más aún, su conjunto de soluciones es el ker A := v 2 k ; Av = @ . A :
>
: >
;
0 m
2 3
a11 a1n
6 .. 7 2 M
Recordemos: Sean A = 4 ... ..
. . 5 m n (R) y
am1 amn
ker A = v 2 Rn ; Av = 0m el núcleo de A:
Vimos que ker A de…ne una relación de equivalencia en Rn :
v ker A w si y sólo si v w 2 ker A:
Además, la clase de equivalencia de v 2 Rn es
[v] ker A
= v + ker A := fw 2 Rn ; 9z 2 ker A, w = v + zg = fw 2 Rn ; Aw = Avg
es decir, es el núcleo ker A trasladado a v:
EJEMPLOS:
1: Sea ( ) el sistema de 2 ecuaciones lineales en 3 incógnitas siguiente:
x + 8y + 5z = 0
( ):
2x 3y 6z = 0
Encontrar todas sus soluciones.
1 8 5
Solución: Sea A = : Tenemos que encontrar el núcleo de
82 2 3
9 6
3
< 33 =
A; ker A = 4 16 5 ; 2 R
: ;
19
2: Sea ( ) el sistema de 2 ecuaciones lineales en 3 incógnitas siguiente:

x + 8y + 5z = 1
( ):
2x 3y 6z = 0
13
¿Tendrá solución? Y si tiene solución, encontrar todas las soluciones. :
1 8 5
Solución: Sea A =
2 3 6
1
2:1: Ver si 2 Im A:
0
x + 8y + 5z = 1 x = 1 8y 5z
, 3y+6z ,
2x 3y 6z = 0 20 x =
1 0 3+33z
2 1 3
3y+6z x 19
x = 1 8y 5z =
, 2 16z
2 , 4@ y A= @ 2 16z
19
A :5
y = 19 z z
0 3
1
1 8 5 19 1:0
En particular, @ 2 A=
2 3 6 19 0
0
80 3+33z
1 9 0 3
1
< 19 = 19
Y observemos que @ 2 16z
19
A;z 2 R =@ 2
19
A + ker A:
: ;
z 0
1 8 5
2:2: Otra manera de hacerlo es hallar toda la imagen de A = :
2 3 6
De esta manera, se puede para cuáles b 2 R2 , el sistema tiene solución.
Solución:
0 1 Para que practiquen:
0 1Fíjense que 0 1
1 0 0
1 8 5
A@ 0 A = ; A@ 1 A = y A@ 0 A = :
2 3 6
0 0 1
Si dibujan estos vectores en R2 se verá que la función debe de ser suprayec-

tiva. Lo voy a probar calculando la inversa derecha de A :
2 3 2 3
a b a b
1 8 5
Es decir, encontrar B = 4 c d 5 tal que 4 c d 5 =
2 3 6
e f e f
a + 8c + 5e b + 8d + 5f 1 0
= :
2a 3c 6e 2b 3d 6f 0 1
Al hacer los cálculos, se verá que en este
2 3caso 8tiene
3 varias inversas derechas.
19 19
Basta encontrar una, por ejemplo, B := 4 2
19
1
19
5
0 0
14
2 3 8
3
1 8 5 19 19 1:0 0
4 2 1 5=
2 3 6 19 19 0 1:0
0 0
Es decir, podemos ver que en este caso el sistema

x + 8y + 5z = b1 b1
( ): tiene solución para todo :
2x 3y 6z = b2 b2
EJERCICIOS: 8
< a11 x1 + a12 x2 +
> + a1n xn = b1
3. Dar n; m naturales y ( ) : .
.. .. .. un
> . .
:
sistema de m ecuaciones lineales en n incógnitas, tales que
3.1. Tenga solución única.

3.2. No tenga solución.
3.3. Tenga solución y que no sea única.
8
< a11 x1 + a12 x2 +
> + a1n xn = b1
4. Sea ( ) : .
.. .. .. un sistema de m ecua-
> . .
:
ciones lineales en n incógnitas y supongamos que existe v 2 Rn solución del
sistema. Entonces,
Demostrar que v es la única solución o tiene un número in…nito de soluciones.

8
< a11 x1 + a12 x2 + a13 x3 = b1
5. Dar ( ) : a21 x1 + a22 x2 + a23 x3 = b2 un sistema de 3 ecuaciones
:
a31 x1 + a32 x2 + a33 x3 = b3
lineales en830incógnitas,
1 tales 9 que el conjunto de soluciones se exactamente el
< 1 =
conjunto @ 2 + A ; 2 R :
: ;
7
8
< a11 x1 + a12 x2 +
> + a1n xn = b1
6. Sean ( ) : .
. .. .. un sistema de m ecua-
> . . .
:
2 3
a11 a1n
6 .. 7 2 M
ciones lineales en n incógnitas, A = 4 ... ..
. . 5 m n (R) su ma-
am1 amn
2 3
b11 b1m
6 .. .. .. 7 2 M (R) una matriz invertible de
triz asociada y M = 4 . . . 5 m
bm1 bmm
m m:
15
Demostrar lo siguiente:
0 1 0 1 0 1 0 1
x1 b1 x1 b1
B C B .. C tiene solución , [M A] B .. C = M B .. C tiene
A @ ... A = @ . A @ . A @ . A
xn bm xn bm
solución.
Más aún, si ( ) tiene solución,0entonces

1 el conjunto
0 de soluciones de ( ) es
1
x1 b1
B C B C
el mismo que el del sistema [M A] @ ... A = M @ ... A :
xn bm
16
Lo que quiero que vean en esta sección es cómo utilizar el hecho de que haya
bases en los espacios vectoriales …nitamente generados.
Recordemos:
LemaA: Sean V un k espacio vectorial …nitamente generado de dimensión n

y B = fv1 ; :::; vn g: Entonces
n
X
8x 2 V; 9! 1 ; :::; n 2 k; x = i vi :
i=1
(Recuerden que lo vimos como un ejercicio: las i ´s existen porque B genera
a V y son únicas porque B es linealmente independiente en V . Si no se acuerdan,
es buen ejercicio de bases :) ).
TeoremaB. Sean n; m 2 N. Existe A? : Mm n (k) ! Homk (k n ; k m ) isomor-

…smo k-lineal.
A? : Homk (k n ; k m ) ! Mm n (k)
f ! Af = A1 A2 An
donde 8i = 1; :::; n; la i ésima columna de Af ; Ai := f (ei ); con B = fe1 ; :::; en g

la base canónica de k n :
Y la inversa de A? ;
A? 1 : M m n (k) ! Homk (k n ; k m )
1
A? (M ) : k n ! km
M !
v 7 ! Mv

TeoremaC: Sean V y W k-espacios vectoriales, con V …nitamente generado y
BV = fv1 ; :::; vn g base de V: Entonces 8fw1 ; :::; wn g W subconjunto de W;
9!f : V ! W k-liineal tal que f (v1 ) = w1 ; :::; f (vn ) = wn : Y para cualquier
Xn n
X
x 2 V donde x = v
i i ; f (x) = i wi :
i=1 i=1
CorolarioD del Teorema general de monos-isos-epis.
a)
En este caso, n m
b)
En este caso, n m
c)
En este caso, n = m

ProposiciónE. Sea f : V ! W función k lineal entre espacios vectoriales
…nitamente generados. Entonces
1) f monomor…smo () 9g : W ! V k lineal tal que g f = 1V :
En este caso, a g se le llama una inversa izquierda de f:
2) f epimor…smo () 9h : W ! V k lineal tal que f h = 1W :
En este caso, a h se le llama una inversa derecha de f:
3) f isomor…smo () 9!f 1 : W ! V k lineal tal que f 1 f = 1V y
f f 1 = 1W :
En este caso, a f 1 se le llama la inversa de f:
El inciso (3) ya lo demostramos en general.

Recordemos
TeoremaC.: Sean V y W k-espacios vectoriales, con V …nitamente generado
y BV = fv1 ; :::; vn g base de V: Entonces 8fw1 ; :::; wn g W subconjunto de W;
9!f : V ! W k-liineal tal que f (v1 ) = w1 ; :::; f (vn ) = wn :
Demostración de la Proposición. Sea f : V ! W función k lineal entre

espacios vectoriales …nitamente generados de dimensión n y m respectivamente
y BV = fv1 ; :::; vn g base de V:
(1). PD. f monomor…smo () 9g : W ! V k lineal tal que g f = 1V :

PD. 9g : W ! V k lineal tal que g f = 1V :
Por teorema-corolarioD, f manda bases de V en conjuntos linealmente in-

dependientes de W y n m.
Por lo tanto, "f (BV )" = ff (v1 ); :::; f (vn )g W es linealmente independi-
ente en W:
Por lo tanto, podemos extender "f (BV )" a una base de W:
Sea BW = ff (v1 ); :::; f (vn ); wn+1 ; :::; wm g base de W:
Entonces de…nimos por TeoremaC a g de la siguiente manera:
f g
V ! W 99K V
v1 7 ! f (v1 ) 7 ! v1
.. .. .. .. ..
. . . . .
vn 7 ! f (vn ) 7 ! vn
wn+1 7 ! 0V
.. .. ..
. . .
wm 7 ! 0V
n
X m
X n
X
y= i f (vi ) + i wi 7 ! i vi
i=1 i=n+1 i=1

Fíjense que podemos de…nir g en wn+1 ; :::; wm como queramos (pero que esté
bien de…nida!). Por ejemplo, yo de…niré g en estos elementos como el 0V :
PD. g f = 1V la función identidad de V:

PD. 8x 2 V; (g f ) (x) = 1V (x) = x:
Observen que en la base BV esta composición se comporta como la identidad:

8i = 1; :::; n; (g f ) (vi ) = vi :
Xn
Sea x 2 V , entonces 9 1 ; :::;
2 k; x = n i vi :
n
!i=1
n n
X X X
Entonces, (g f ) (x) = (g f ) i vi = i (g f ) (vi ) = i vi =
g f lineal
i=1 i=1 i=1
x:
Por lo tanto, g f = 1V :X
(=) Sea f : V ! W k lineal tal que 9g : W ! V k lineal, g f = 1V :

Lo pueden hacer con cualquier equivalencia de monomor…smo el TeoremaD,
PD. ker f = f0V g:
)X ¿por qué?
) Sea x 2 ker f:
PD. x = 0V :
Como f (x) = 0W , entonces
x = 1V (x) = (g f )(x) = g(f (x)) = g(0W ) = 0V :

hip ótesis g lineal
Por lo tanto, x = 0V :
Por lo tanto, ker f = f0V g:

Observación: Si n < m entonces

2 tenemos3más de una inversa izquierda de f:
1 9
Ejemplo: Sean k = R y A = 4 3 1 5 : Es decir,
5 0
A: R2 ! 0 R3 1
x + 9y
x @ 3x y A :
7 !
y
5x

TAREA PARA ENTREGAR el 30 de abril de 2020.
1.a. A es monomor…smo.
1.b. Hallar dos inversas izquierdas distintas para A:
2) PD. f epimor…smo () 9h : W ! V k lineal tal que f h = 1W
=)) Sea f un epimor…smo.

PD. 9h : W ! V k lineal tal que f h = 1W :
Por teorema-corolarioD, f manda bases de V en conjuntos generadores de

W y m n.
Por lo tanto, "f (BV )" = ff (v1 ); :::; f (vn )g W genera a W:
Por lo tanto, "f (BV )" contiene una base de W:
Digamos que BW = ff (vi1 ); :::; f (vim )g base de W:
Entonces de…nimos por TeoremaC a h de la siguiente manera:

h f
W 99K V ! W
f (vi1 ) 7 ! vi 1 7 ! f (vi1 )
.. .. .. .. ..
. . . . .
f (vim ) 7 ! vim 7 ! f (vim )
vim+1 7 ! f (vim+1 )
.. .. ..
. . .
vin 7 ! f (vin )
m
X m
X
y= j f (vij ) 7 ! j vi j
j=1 j=1
Como antes, f h = 1W :
PD. f h = 1W la función identidad de W:

PD. 8y 2 W; (f h) (y) = 1W (y) = y:
Observen que en la base BV esta composición se comporta como la identidad:

8j = 1; :::; m; (f h) (f (vij )) = f (vij ):
m
X
Sea y 2 W , entonces 9 1 ; :::; m 2 k; y = j f (vij ):
j=1
0 1 0 1
Xm Xm
Entonces, (f h) (f ) = (f h) @ A
j f (vij ) = f@ A=
j h(f (vij ))
h lineal
j=1 j=1
0 1
Xm m
X
f@ j vi j
A = j f (vij ) = y:
f lineal
j=1 j=1

Por lo tanto, f h = 1W :X
(=) Sea f : V ! W k lineal tal que 9h : W ! V k lineal, f h = 1W :

PD. f es un epimor…smo.
Lo pueden hacer con cualquier equivalencia de epimor…smo el TeoremaD.
Voy a demostrarlo, demostrando que f se cancela por la derecha.
PD. 8Z k esp.vect.8 ; :W ! Z tales que f= f entonces = :
Sean ; : W ! Z tales que f= f.

PD. = :
Como f= f , entonces (por hipótesis),
= 1W = (f h) = ( f) h = ( f) h = (f h) =
hip ótesis aso c aso c hip ótesis
1W = :
Por lo tanto, = :
Por lo tanto, f es epimor…smo.
Observación: Si n < m entonces tenemos más de una inversa izquierda de f:

1 3 5
Ejemplo: Sean k = R y A = Es decir,
9 1 0
A : 0 R3 1 ! R2
x
@ y A x + 3y + 5z :
7 !
9x y
z
TAREA PARA ENTREGAR el 30 de abril de 2020.

1.a. A es epimor…smo.
1.b. Hallar dos inversas derechas distintas para A:
Hagan de nuevo la demostración de (3), utilizando (1) y (2) anteriores.

NO para entregar.
PD. 3) f isomor…smo () 9!f 1 : W ! V k lineal tal que f 1 f = 1V
y f f 1 = 1W :
Entonces el CorolarioD queda

TeoremaD.

a)
() 9g : W ! V k lineal,g f = 1V
En este caso, n m
b)
9h : W ! V k lineal,f h = 1W
En este caso, n m
c)
9!f 1 : W ! V k lineal,f 1 f = 1V y f f 1 = 1W
En este caso, n = m

Álgebra Lineal I.

i) f (v +V v ) = f (v) +W f (v 0 )
ii) f ( V v) = W f (v)
Observaciones:
O.1. f (0V ) = 0W :
O.2. f ( x) = f (x): f manda inversos aditivos de V en inversos aditivos

en W:
O.3. ker f V , Im f W:
2 3
a11 a12 a1n
6 a21 a22 a2n 7
6 7
Proposición. Sea A = 6 .. .. .. .. 7 2 Mm n (k) una matriz de
4 . . . . 5
am1 am2 amn

A de…ne una función lineal:
A : kn ! km
v 7 ! Av
Recordemos:
0 1
x1
B C
Si v := @ ... A entonces
xn
2 3 0 1
a11 a12 a1n 0 1 (a11 k x1 ) + k +k (a1n k xn )
6 a21 a22 7 x1 B (a21 C
6 a2n 7 B .. C := B k x1 ) + k +k (a2n k xn ) C
6 .. .. . .. .. 7 @ . A B .. C
4 . . . 5 @ . A
xn
am1 am2 amn (an1 k x1 ) + k +k (amn x
k n )

tiva).
Teoremazo 1. Sean k un campo y n:m 1 números naturales.
a) La siguiente función lineal es un isomor…smo

A? : Homk (k n ; k m ) ! Mm n (k) 2 3
a11 a1n
6 .. .. .. 7
f 7 ! Af = 4 . . . 5
kn !km
am1 amn
0 1
a1i
B a2i C
B C
donde la i ésima columna de Af es B .. C = f (ei ) 2 k m para i = 1; :::; n; y
@ . A
ami
n
Bkn = fe1 ; :::; en g 0
la base
1 canónica de k :
0
B .. C
B . C
B C
B 0 C
B C
Es decir, ei := B B 1 C
C 2 k n ; i = 1; :::; n:
B 0 C i
B C
B . C
@ .. A
0
b) Donde Af y f de…nen la misma función k-lineal.

0 1
x1
B C
f lineal
xn
0 1 0 1
a11 a1n 2 30 1
B C B C a11 a1n x1
B a2i C B a2n C 6 .. .. 7 B .. C =
= x1 B C+ + xn B C = 4 . ..
@
..
A @
..
A . . 5@ . A
. .
am1 amn xn
a amn
0 1 m1
x1
B C
Af @ ... A :
xn
Por lo que llamaremos a Af la forma matricial de la función k-lineal f:
c) La inversa de A? es
A? 1 : M m n (k) ! Homk (k n ; k m )
1
(A? )(M ) : k n ! km
M 7 !
v 7 ! Mv
d) Más aún, composición de funciones equivale a producto de matrices.

Es decir,
NOTA: Cuando les mencioné que las matrices eran LOS ejemplos de funciones
lineales, es que realmente son TODAS las funciones lineales entre los espacios
vectoriales k n y k m . Y algo que se me hace precioso y útil, es que la composición
de funciones equivale al producto de matrices. :)
f : 0 R4 1 ! R3
a 0 1
B b C a b c+d
B C 7 ! @ 5c 3d A
@ c A
0
d
Entonces
00 11 00 11
1 0 1 0 0 1
BB 0 CC 1 BB CC 1
1 CC @
fB B CC @ 0 A, f BB
@@ 0 AA = @@ = 0 A;
0 AA
0 0
0 0
00 11 00 11
0 0 1 0 0 1
BB 0 CC 1 BB 1
0 CC
fBB CC = @ 5 A y f BB
@@ 1 AA @@
CC = @ 3 A :
0 AA
0 0
0 1
2 3
1 1 1 1
Entonces Af := 4 0 0 5 3 5:
0 0 0 0
1 0 0 1
a 2 3 a 0 1
B b C 1 1 1 1 B b C a b c+d
@ c A 0 5 3 5B@ c
C=@
A 5c 3d A =:
0 0 0 0 0
d d
00 11
a
BB b CC
fBB CC
@@ c AA :
g
Por lo tanto, Af y f de…nen la misma función.
3.2. En k n llamaremos a B = fe1 ; :::; en g la base canónica de k n , donde para

cada i = 0
1; :::; n;
1
0
B .. C
B . C
B C
B 0 C
B C
ei := B
B 1 C
C 2 kn :
B 0 C i
B C
B . C
@ .. A
0
Lema. Sean k un campo y V un k espacio vectorial de dimensión n: Sea

BV = fv1 ; :::; vn g una base (…ja) de V: Entonces
X n
8x 2 V; 9! 1 ; :::; n 2 k; x = i vi :
i=1
Teoremazo 2. Sean k un campo y V un k espacio vectorial de dimensión n:

Sea BV = fv1 ; :::; vn g una base (…ja) de V:
Ahora, sea W cualquier k espacio vectorial. Entonces
8 fw1 ; :::; wn g W; 9!f : V ! W función k lineal, (8i = 1; :::; n; f (vi ) = wi ) :
Es decir, tomemos fw1 ; :::; wn g W cualquier conjunto de n vectores en W:
Entonces: Existe una única función k lineal f : V ! W tal que

para cada i = 1; :::; n; f (vi ) = wi :
Teoremazo 2 (Versión Matrices). Sean k un campo y n; m 1: Sea BV =

fe1 ; :::; en g la base canónica de k n : Entonces
Es decir, tomemos fw1 ; :::; wn g k m cualquier conjunto de n vectores en

m
k :

Por lo tanto, (por teoremazo 1), la matriz asociada a f , tiene como i ésima
columna a wi :
Af = w1 w2 wn :
4 3
Siguiendo el 8
ejemplo:
0 Sean
1 k = R,0R y1R . 0 1 0 19
>
> 1 0 0 0 >>

> 0 0 1 0 >>
: ;
0 0 0 1
canónica de R4 :
8 0 1 0 1 0 1 0 19
< 1 1 1 1 =
Tomemos en R3 el conjunto w1 = @ 0 A ; w2 = @ 0 A ; w3 = @ 5 A ; w4 = @ 3 A :
: ;
0 0 0 0
Entonces
f: R4 ! 0R 1
3
1
e1 7 ! @ 0 A
0 0 1
1
e1 7 ! @ 0 A
0 0 1
1
e1 7 ! @ 5 A
0 0 1
1
e1 7 ! @ 3 A
0 1 0
a 0 1
B b C a b c+d
Por lo tanto, B C
@ c A 7 ! @ 5c 3d A
0
d
2 3
1 1 1 1
Y Af := 4 0 0 5 3 5:
0 0 0 0
1 0 0 1
a 2 3 a 0 1
B b C 1 1 1 1 B b C a b c+d
@ c A 0 5 3 5B@ c
C=@
A 5c 3d A =:
0 0 0 0 0
00 11 d d
a
BB b CC
fBB CC
@@ c AA :
g
Teorema3. Sea f : V ! W una función k-lineal. Sea X V subconjunto,
a)
()
[f =f =) = ]
b)
() 8X V , hXi = V =) h"f (X)"i = W
8Z k esp.vect:8 ; : W ! Z; k lineales
()
[ f= f =) = ]
c)
Corolario del Teorema3. Sean V y W k-espacios vectoriales …nitamente

generados, con dimk V = n y dimk W = m: Y sea f : V ! W k-lineal. Entonces
a)
() 9BV base de V; f (BV ) W es linealmente independiente
() 9g : W ! V; g f = 1V y se le llama una inversa izquierda de f
En este caso, n m
b)
() 9h : W ! V; f h = 1W y se le llama una inversa derecha de f
En este caso, n m
c)
() 9!f 1 : W ! V; f 1 f = 1V y f f 1 = 1W
En este caso, n = m
Corolario del Teorema3 (Versión Matrices). Sean A = A1 An 2

Mm n (k) una matriz de m n con coe…cientes en k y Ai es la i ésima columna
de A:
Recordemos que A de…ne una función k lineal, A : k n ! k m ; donde
Ai = A (ei ) la imagen de ei bajo A y B = fe1 ; :::; en g la base canónica de k n :
Es decir, "A(B)" = fA1 ; :::; An g : Entonces
a)
A es monomor…smo () "A(B)" = fA1 ; :::; An g es lin. independiente
2 en3 k m
1 0
6 . 7
() 9M 2 Mn m (k) tal que M A = 4 .. 5 la matriz identidad en k n
0 1 n
En este caso, n m
b)
A es epimor…smo () "A(B)" = fA1 ; :::; An g genera a2k m 3
1 0
6 .. 7
() 9N 2 Mn m (k) tal que AN = 4 . 5 la matriz identidad en k m
0 1 m
En este caso, n m
c)
A es isomor…smo () "A(B)" = fA1 ; :::; An g es base de k m
() 9!A 1 2 Mn m (k), A 1 A = In y AA 1
= Im las identidades en k n y k m ; resp
En este caso, n = m
4. Corolario. Sean V k-espacio vectorial …nitamente generado y f : V ! V

k-lineal. Entonces
f es monomor…smo () f es epimor…smo () f es isomor…smo
4.1 Corolario. Sean V y W k-espacio vectorial …nitamente generados con

dimk V = dimk W y f : V ! W k-lineal. Entonces
4.2. Tarea. Sean f : V ! W y g : W ! U funciones k-lineales. Entonces

4.2.a. Si f y g son monomor…smos entonces g f es monomor…smo.
4.2.b. Si g f es monomor…smo entonces f es monomor…smo.
4.2.c. Si f y g son epimor…smos entonces g f es epimor…smo.
4.2.d. Si g f es epimor…smo entonces g es epimor…smo.
5. Sean n 2 N y V un k-espacio vectorial con dimk V = n: Demostrar que
V ' kn :
DETERMINANTES. 8 0 1 9
>
< a11 a12 >
=
B .. C ; 8i; j = 1; :::; n; a 2 R
Denotemos por Mn (R) = A = @ ... ..
. . A ij
>
: >
;
an1 ann
el R-espacio vectorial de las matrices de n n (con sus operaciones usuales).
Sea A 2 Mn (R), denotaremos por det A al determinante de A que se
de…nirá de la siguiente manera:
1. A = (a) 2 M1 (R)
det(A) := a
a b
2. A = 2 M2 (R)
c d
det A := ad bc
0 1
a11 a12 a13
3. A = @ a21 a22 a23 A 2 M3 (R)
a31 a32 a33
0 1
+ +
B a11 a12 a13 C
det A = det B
@ a21 a22
C :=
a23 A
a31 a32 a33
a22 a23 a21 a23 a21 a22
= a11 det a12 det + det =
a32 a33 a31 a33 a31 a32
= a11 a22 a33 a11 a23 a32 a12 a21 a33 + a12 a31 a23 + a21 a13 a32 a13 a22 a31
0 1
a11 a1n
B .. . .. .. C
4. A = @ . . A 2 Mn (R)
an1 ann
El método recursivo para de…nir el determinante de una matriz de n n es

el siguiente:
0 1
+ +
B a11 a12 a13 a1n C
B C
B .. . .. .. C
@ . . A
an1 an2 an3 ann
De…nimos como A(m) a la matriz de (n 1) (n 1) que resulta de A al

quitarle su m-ésima columna
0 y su m-ésimo renglón.
1
a11 a13 a1n
B a31 a33 a3n C
B C
Ejemplo: A(2) = B . . .. C
@ .. .. . A
an1 an3 ann
Determinantes 163
+ si m es impar
Y 8m = 1; :::; n de…nimos (m) =
si m es par
El determinante de A;
det A := det (1)a11 det A(1) + (2)a12 det A(2) + + (m)a1m det A(m) +
+ (n)a1n det A(n)
Tarea: Dar la fórmula del determinante de una matriz de 4 4:
5. PROPIEDADES. Sean A; B 2 Mn (R): Entonces

i) det(AB) = det A det B
ii) det A = det AT
iii) Si A tiene una columna o renglón de puros 0´s, entonces det A = 0:
iv) det( A) = n det A para toda 2 R. Hint: A = [ I] A, donde I es la
matriz identidad y luego usar (i)
v) El det no es un operador aditivo. Es decir, hay ejemplos de matrices A y
B tales que det(A + B) 6= det A + det B:
vi) Sea A matriz y denotamos por A[i; j] con i 6= j y permutamos la columna
i-ésima con la columna j-ésima (resp. el renglón i-ésimo con el renglón j ésimo)
entonces det A[i; j] = det A:
Tarea.
1. Demostrar
2 las propiedades anteriores
3 para matrices de 2 2y3 3:
d1 0 0
6 .. 7
6 0 d2 0 . 7
6
2. Sea D = 6 . 7 una matriz diagonal.
. 7
4 .. 0 . . 0 5
0 0 dn
Q
n
Demostrar por inducción que det D = dj :
j=1
2 3 2 3
a1;1 a1;2 a1;n a1;1 0 0
6 7 6 .. 7
6 0 a2;2 a2;n 7 6 a2;1 a2;2 0 . 7
3. Sea A = 6 .. .. .. 7 (resp. A = 6
6 .
7)
7
4 . 0 . . 5 4 .. .. .. 5
. . 0
0 0 an;n an;1 an;2 an;n
una matriz triangular superior (resp. triangular inferior)

Demostrar por inducción que
Q
n
det A = aj;j :
j=1
Determinantes 164
El n-volumen. Diremos que una …gura P en Rn tiene n volumen dis-
tinto de 0, si 9r > 0; 9v 2 Rn tal que la bola con centro en v y radio r, Br (v);
está contenida en P:
Es decir, P Rn tiene n volumen distinto de 0, si 9r > 0; 9v 2 Rn ,

Br (v) P: 0 1
a11 a1n
B .. C 2 M (R): El valor absoluto del determinante
Sea A = @ ... ..
. . A n
an1 ann
n
de A
8nos
0 1 0da el n volumen
1 del 0paralelepípedo
19 80 formado cuyos 1 vértices en R 9son:
>
< 0 a 11 a1n > <
= > a1i + a1j >
=
B .. C B .. C B . C B .. C
@ . A ; @ . A ; :::; @ .. A [ @ . A ; 1 i 6= j n [
>
: >
; : > >
;
80 0 an1 ann 9ani + anj
1
>
< a1i + a1j + a1k >
=
B .. C
@ . A ; 1 i =
6 j =
6 k =
6 i n [ [fa11 + a12 + + a1n g :
>
: >
;
ani + anj + ank
Ejemplos:
1. jdet(a)j = jaj es la distancia que hay del 0 a a en la recta real.
a b
2. det = jad bcj es el 2 volumen = área del paralelogramo en
c d
n o
R2 cuyo conjunto de vértices son 00 ; ac ; db ; a+b
c+d
a11 a12 a13

3. det a21 a22 a23 es el 3 volumen = volumen del paralelepípedo en
a31 a32 a33
R3 cuyo conjunto de vértices son
f(0; 0; 0); (a11 ; a21 ; a31 ); (a12 ; a22 ; a32 ); (a13 ; a23 ; a33 ); (a11 +a12 ; a21 +a22 ; a31 +
a32 ); (a11 + a13 ; a21 + a23 ; a31 + a33 ); (a12 + a13 ; a22 + a23 ; a32 + a33 ); (a11 + a12 +
a13 ; a21 + a22 + a23 ; a31 + a32 + a33 )
4. Denotemos
0 por Cm a la columna1m ésima de A; entonces
C1 C2 C3 Cn
B a11 a12 a13 a1n C
B C
det B . . .. C es el n volumen del n paralelepípedo
@ .. .. . A
an1 an2 an3 ann
conjunto de
[ vértices [ [ [ [
0 fCm1 +Cm2 g fCm1 +Cm2 + +Cmi g fC1 +
m1 <m2 m1 <m2 < <mi
C2 + + Cn g
Determinantes 165
TAREA.
1. En el plano R2 ; dar todos los paralelogramos de área 3 que incluyan como
1 0
vértices al y :
1 0
2. En el plano R2 ; dar todos los paralelogramos de área 3 que incluyan como

3 2
vértices al y :
1 0
3 1 2 2 0 2
Hint: = + y = + :
1 1 0 0 0 0
3
0 3. En
1 R0; dar 1 un paralelepípedo de área 1 que incluya como vértices al
1 0
@ 1 A y @ 0 A:
0 0
¿Dar todos?
Determinantes 166
Álgebra Lineal I.
Construcción de Matrices


81 0 0 1 0 1 0 19
1>
> 5 1 1 >
>

>
> >
: ;
2 2 2 0
4
es base de R :
Ahora, queremos una función lineal de R4 a R3 que mande a cada vi a wi

donde las wi ’s son las siguientes:
8 0 1 0 1 0 1 0 19
< 21 8 0 8 =
w1 = @ 3 A ; w2 = @ 9 A ; w3 = @ 0 A ; w4 = @ 9 A PUEDEN
: ;
7 10 0 10
ESCOGER CUALESQUIERA wi0 s
Entonces el teoremazo anterior me dice que existe una única función lineal
f : R4 ! R3 tal que 8i = 1; 2; 3; 4; f (vi ) = wi :
0
1
x1
B x2 C
Entonces, por ser B base, 8 B C 4
@ x3 A 2 R ; 9! 1 ; 2 ; 3 ; 4 2 R tales que
x4
0 1 00 11
x1 x1
X 4 X4
B x2 C BB x2 CC
B C= v y por lo tanto, f BB CC := i wi :
@ x3 A i i @@ x3 AA
i=1 i=1
x4 x4
00 11
x1 0
1 0 1 0 1 0 1
BB x2 CC X4 21 8 0 8
fB B CC :=
@@ x3 AA i wi = 1
@ 3 A+ 2
@ 9 A+ 3
@ 0 A+ 4
@ 9 A:
i=1 7 10 0 10
x4

AHORA QUEREMOS CONSTRUIR LA MATRIZ DEFINIDA POR f PERO
HASTA ESTE MOMENTO SÓLO HEMOS CONSTRUIDO LAS MATRICES
EN FUNCIÓN
8 DE LA
0 1 BASE0CANÓNICA
1 0DEL1DOMINIO
0 19
>
> 1 0 0 0 >>

> 0 0 A 3 @ 1 A 4 @ 0 A> >
: ;
0 0 0 1
y su matriz asociada tendrá como sus columnas a las f (ei )’s Af = f (e1 ) f (e2 ) f (e3 ) f (e4 ) :
Por lo que tenemos que encontrar para cada ei su expresión como com-
binación lineal de los elementos de la base B y entonces encontrarermos sus
imágenes bajo f:
0 1 0 1 0 1 0 1 0 1
1 1 5 1 1
B 0 C B 4 C B C B C B C
e1 = B C= 2 B C 1B C 1B C 1B 4 C
0 4
@ 0 A 5 @ 3 A + 5 @ 3 A + 5 @ 0 A + 5 @ 3 A;
0 0 1 02 1 02 1 02 1 00 1
0 1 5 1 1
B 1 C B C
3 B 4 C
B C 1B 4 C 1B 4 C
1 B 0 C
e2 = B
@
C=
A 20 @ 3 A
B C B C
20 @ 3 A + 5 @ 0 A + 5 @ 3 A ;
0
0 2 2 2 0
0 1 0 1 0 1 0 1 0 1
0 1 5 1 1
B 0 C B C
1 B 4 C
B 0 C 1B 4 C B 4 C
e3 = B
@
C=
A
B C
3 @ 3 A + 0@ 3 A
B C B C
5 @ 0 A + 0@ 3 A;
1
0 0 1 0 2 1 0 2 1 0 21 0 0 1
0 1 5 1 1
B 0 C B 4 C B 0 C B 4 C B C
e4 = B C= 1 B C B C B C 1 B 4 C:
@ 0 A 2 @ 3 A + 0@ 3 A + 0@ 0 A 2 @ 3 A
1 2 2 2 0
0 1 0 1 0 1
21 8 0
Por lo tanto,como w1 = @ 3 A ; w2 = @ 9 A ; w3 = @ 0 A ; w4 =
7 10 0
0 1
8
@ 9 A
10
0 1 0 1 0 1 0 1 0 42
1
21 8 0 8 5
2 @
f (e1 ) = 5
3 A+ 1 @
5
9 A + 51 @ 0 A + 51 @ 9 A=@ 6
5
A;
14
7 10 0 10
0 1 0 1 0 1 0 1 0 5
103
1
21 8 0 8 20
3 @
f (e2 ) = 20
3 A 1 @
20
9 A + 51 @ 0 A + 15 @ 9 A=@ 27
10
A;
71
7 10 0 10 20

0 1 0 1 0 1 0 1 0 1
21 8 0 8 7
f (e3 ) = 13 @ 3 A + 0 @ 9 A 51 @ 0 A + 0@ 9 A=@ 1 A;
7
7 10 0 10
0 1 3
0 0 1 0 1 0 1 0 1
B 0 C 21 8 0 8
f (e4 ) = B C
@ 0 A = 2
1 @
3 A + 0@ 9 A + 0@ 0 A 1 @
2
9 A =
7 10 0 10
1
0 29 1
2
@ 6 A:
17
2
2 42 103 29
3
5 20 7 2
Entonces la matriz asociada a f; Af = 4 6
5
27
10 1 6 5:
14 71 7 17
5 20 3 2
18 0 0 1 0 1 0 19
1 >
> 5 1 1 >>
B 4 C @ 3 A ; v2 = @ 3 A ; v3 = @ 0 A @ 3 A>
>
: >
;
2 2 2 0
y 8 0 1 0 1 0 1 0 19
< 21 8 0 8 =
w1 = @ 3 A ; w2 = @ 9 A ; w3 = @ 0 A ; w4 = @ 9 A
: ;
7 10 0 10
1 0
2 42 103 29
3
1 0 1
5 20 7 2 B 4 C 21
4 6
5
27
10 1 6 5B C @ 3 A
@ 3 A=
14 71 7 17
5 20 3 2
7
2
0 1
2 42 103 29
3 5 0 1
5 20 7 2 B 0 C 8
4 6
5
27
10 1 6 5B C @ 9 A
@ 3 A=
14 71 7 17
5 20 3 2
10
0 2 1
2 42 103 29
3 1 0 1
5 20 7 2 B 4 C 0
4 6
5
27
10 1 6 5B C @ 0 A
@ 0 A=
14 71 7 17
5 20 3 2
0
2
0 1
2 42 103 29
3 1 0 1
5 20 7 2 B 4 C 8
4 6
5
27
10 1 6 5B C @
@ 3 A= 9 A
14 71 7 17
5 20 3 2
10
0
Por lo tanto Af es la matriz que le corresponde a f:


i) f (v +V v ) = f (v) +W f (v 0 )
ii) f ( V v) = W f (v)
Observaciones:
O.1. f (0V ) = 0W :
O.2. f ( x) = f (x): f manda inversos aditivos de V en inversos aditivos

en W:
O.3. ker f V , Im f W:
2 3
a11 a12 a1n
6 a21 a22 a2n 7
6 7
Proposición. Sea A = 6 .. .. .. .. 7 2 Mm n (k) una matriz de
4 . . . . 5
am1 am2 amn

A de…ne una función lineal:
A : kn ! km
v 7 ! Av
Recordemos:
0 1
x1
B C
Si v := @ ... A entonces
xn
2 3 0 1
a11 a12 a1n 0 1 (a11 k x1 ) + k +k (a1n k xn )
6 a21 a22 7 x1 B (a21 C
6 a2n 7 B .. C := B k x1 ) + k +k (a2n k xn ) C
6 .. .. . . .. 7 @ . A B .. C
4 . . . . 5 @ . A
xn
am1 am2 amn (an1 k x1 ) + k +k (amn x
k n )

tiva).
Teoremazo 1. Sean k un campo y n:m 1 números naturales.

a) La siguiente función lineal es un isomor…smo
A? : Homk (k n ; k m ) ! Mm n (k) 2 3
a11 a1n
6 .. .. .. 7
f 7 ! Af = 4 . . . 5
kn !km
am1 amn
0 1
a1i
B a2i C
B C
donde la i ésima columna de Af es B .. C = f (ei ) 2 k m para i = 1; :::; n; y
@ . A
ami
n
Bkn = fe1 ; :::; en g 0
la base
1 canónica de k :
0
B .. C
B . C
B C
B 0 C
B C
Es decir, ei := B B 1 C
C 2 k n ; i = 1; :::; n:
B 0 C i
B C
B . C
@ .. A
0
b) Donde Af y f de…nen la misma función k-lineal.

0 1
x1
B C
f lineal
xn
0 1 0 1
a11 a1n 2 30 1
B C B C a11 a1n x1
B a2i C B a2n C 6 .. .. 7 B .. C =
= x1 B C+ + xn B C = 4 . ..
@
..
A @
..
A . . 5@ . A
. .
am1 amn xn
a amn
0 1 m1
x1
B C
Af @ ... A :
xn
Por lo que llamaremos a Af la forma matricial de la función k-lineal f:
c) La inversa de A? es
A? 1 : M m n (k) ! Homk (k n ; k m )
1
(A? )(M ) : k n ! km
M 7 !
v 7 ! Mv

d) Más aún, composición de funciones equivale a producto de matrices.
Es decir,
NOTA: Cuando les mencioné que las matrices eran LOS ejemplos de funciones
lineales, es que realmente son TODAS las funciones lineales entre los espacios
vectoriales k n y k m . Y algo que se me hace precioso y útil, es que la composición
de funciones equivale al producto de matrices. :)
f : 0 R4 1 ! R3
a 0 1
B b C a b c+d
B C 7 ! @ 5c 3d A
@ c A
0
d
Entonces
00 11 00 11
1 0 1 0 0 1
BB 0 CC 1 BB CC 1
1 CC @
fB B CC @ 0 A, f BB
@@ 0 AA = @@ = 0 A;
0 AA
0 0
0 0
00 11 00 11
0 0 1 0 0 1
BB 0 CC 1 BB CC 1
0 CC @
fBB CC @ 5 A y f BB
@@ 1 AA = @@ = 3 A:
0 AA
0 0
0 1
2 3
1 1 1 1
Entonces Af := 4 0 0 5 3 5:
0 0 0 0
1 0 0 1
a 2 3 a 0 1
B b C 1 1 1 1 B b C a b c+d
@ c A 0 5 3 5@B C=@
A 5c 3d A =:
c
0 0 0 0 0
00 11 d d
a
BB b CC
fBB CC
@@ c AA :
g
3.2. En k n llamaremos a B = fe1 ; :::; en g la base canónica de k n , donde para

cada i = 1; :::; n;

0 1
0
B .. C
B . C
B C
B 0 C
B C
ei := B
B 1 C
C 2 kn :
B 0 C i
B C
B . C
@ .. A
0
Lema. Sean k un campo y V un k espacio vectorial de dimensión n: Sea

BV = fv1 ; :::; vn g una base (…ja) de V: Entonces
X n
8x 2 V; 9! 1 ; :::; n 2 k; x = i vi :
i=1


Teoremazo 2 (Versión Matrices). Sean k un campo y n; m 1: Sea BV =

fe1 ; :::; en g la base canónica de k n : Entonces
Es decir, tomemos fw1 ; :::; wn g k m cualquier conjunto de n vectores en

m
k :

Por lo tanto, (por teoremazo 1), la matriz asociada a f , tiene como i ésima
columna a wi :
Af = w1 w2 wn :
Siguiendo el ejemplo: Sean k = R, R4 y R3 .

8 0 1 0 1 0 1 0 19
>
> 1 0 0 0 >>
 @ 0 A @ 0 A @ 1 A @ 0 A>
>
: >
;
0 0 0 1
canónica de R4 :
8 1 0 0 1 0 1 0 19
< 1 1 1 1 =
Tomemos en R3 el conjunto w1 = @ 0 A ; w2 = @ 0 A ; w3 = @ 5 A ; w4 = @ 3 A :
: ;
0 0 0 0
Entonces
f: R4 ! 0R 1
3
1
e1 7 ! @ 0 A
0 0 1
1
e1 7 ! @ 0 A
0 0 1
1
e1 7 ! @ 5 A
0 0 1
1
e1 7 ! @ 3 A
0 1 0
a 0 1
B b C a b c+d
Por lo tanto, B C
@ c A 7 ! @ 5c 3d A
0
d
2 3
1 1 1 1
Y Af := 4 0 0 5 3 5:
0 0 0 0
1 0 0 1
a 2 3 a 0 1
B b C 1 1 1 1 B b C a b c+d
@ c A 0 5 3 5B@ c
C=@
A 5c 3d A =:
0 0 0 0 0
d d
00 11
a
BB b CC
fBB CC
@@ c AA :
g

Teorema3. Sea f : V ! W una función k-lineal. Sea X V subconjunto,
a)
()
[f =f =) = ]
b)
() 8X V , hXi = V =) h"f (X)"i = W
8Z k esp.vect:8 ; : W ! Z; k lineales
()
[ f= f =) = ]
c)
Corolario del Teorema3. Sean V y W k-espacios vectoriales …nitamente

generados, con dimk V = n y dimk W = m: Y sea f : V ! W k-lineal. Entonces
a)
() 9BV base de V; f (BV ) W es linealmente independiente
() 9g : W ! V; g f = 1V y se le llama una inversa izquierda de f
En este caso, n m
b)
() 9h : W ! V; f h = 1W y se le llama una inversa derecha de f
En este caso, n m
c)
() 9!f 1 : W ! V; f 1 f = 1V y f f 1 = 1W
En este caso, n = m

Corolario del Teorema3 (Versión Matrices). Sean A = A1 An 2
Mm n (k) una matriz de m n con coe…cientes en k y Ai es la i ésima columna
de A:
Recordemos que A de…ne una función k lineal, A : k n ! k m ; donde
Ai = A (ei ) la imagen de ei bajo A y B = fe1 ; :::; en g la base canónica de k n :
Es decir, "A(B)" = fA1 ; :::; An g : Entonces
a)
A es monomor…smo () "A(B)" = fA1 ; :::; An g es lin. independiente
2 en3 k m
1 0
6 . 7
() 9M 2 Mn m (k) tal que M A = 4 .. 5 la matriz identidad en k n
0 1 n
En este caso, n m
b)
A es epimor…smo () "A(B)" = fA1 ; :::; An g genera a2k m 3
1 0
6 .. 7
() 9N 2 Mn m (k) tal que AN = 4 . 5 la matriz identidad en k m
0 1 m
En este caso, n m
c)
A es isomor…smo () "A(B)" = fA1 ; :::; An g es base de k m
() 9!A 1 2 Mn m (k), A 1 A = In y AA 1
= Im las identidades en k n y k m ; resp
En este caso, n = m
4. Corolario. Sean V k-espacio vectorial …nitamente generado y f : V ! V

k-lineal. Entonces
4.1 Corolario. Sean V y W k-espacio vectorial …nitamente generados con

dimk V = dimk W y f : V ! W k-lineal. Entonces
10

Sistemas de Ecuaciones Lineales.
Teorema. Sea k un campo y
8
< a11 x1 + a12 x2 +
> + a1n xn = b1
( ): .. .. ..
> . . .
:

Entonces
8
< a11 x1 + a12 x2 +
> + a1n xn = b1
( ): .
.. .. .. tiene solución
> . .
:
si y sólo si
2 30 1 0 1
a11 a12 a1n x1 b1
6 .. .. .. .. 7 B .. C = B .. C tiene solución
4 . . . . 5@ . A @ . A
am1 am2 amn xn bm
si y sólo si
0 1 2 3
b1 a11 a12 a1n
B .. C 6 .. .. .. .. 7
@ . A 2 Im 4 . . . . 5
bm am1 am2 amn
si y sólo si
2 3 2 3
a11 a12 a1n a11 a12 a1n b1
6 .. 7 = rk 6 .. .. 7
rk 4 ... ..
.
..
. . 5 4 .
..
.
..
.
..
. . 5
es el número de columnas linealmente independientes de la matriz.
2 3
a11 a1n b1
6 .. .. .. .. 7 se le llama la matriz aumentada del sistema
A 4 . . . . 5
am1 amn bm
( ):
.
.
.
11

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
12

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
13

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
14

.
.
.
.
.
.
.
.
.
.
.
15

Sistemas de Coordenadas, Matrices de Cambio de Base
y Teoremazos (versión general).
Recordemos:
0. Ejercicio útil. Sean A 2 Mm n (k) y M 2 Mn t (k) donde M = M1 Mt
es la expresión de M en columnas.
Entonces AM = AM1 AMt :
Demostración: TAREA. Háganlo para el caso m = 3; n = 2 y t = 3:

1. Sean V un k espacio vectorial de dimensión n y BV = fv1 ; :::; vn g una base
de V:
n
X
Entonces 8x 2 V; 9! 1 ; :::; n 2 k; x = i vi :
i=1
Es decir, todo vector en V se escribe de manera única como combinación
lineal de la base BV :
2. Sea V un k espacio vectorial de dimensión n: Entonces V ' k n :
Los puntos (1) y (2) inducen a pensar que podemos trabajar con matrices
como funciones lineales entre espacios vectoriales …nitamente generados.
Coordenadas, matrices de cambios de base y teoremazos (sin missprints c;) 182

Lo que motiva la siguiente de…nición y distintos isomor…smos de V a k n :
3. De…nición-Lema. Sean V un k espacio vectorial de dimensión n y B =
fv1 ; :::; vn g una base …ja de V:
Entonces B de…ne n! = n(n 1) 2 1 distintas bases ordenadas, que
denotaremos por B (p) = vp(1) ; :::; vp(n) a la base ordenada generada por cada
función de conjuntos biyectiva o permutación p : f1; 2; :::; ng ! f1; 2; :::; ng:
Y p : f1; 2; :::; ng ! f1; 2; :::; ng de…ne el siguiente isomor…smo:
'p : V ! 0 kn 1
n p(1)
X B .. C
x= i vi 7 ! @ . A
i=1
p(n)
TAREA. Demostrar que 'p es un isomor…smo (lineal y biyectiva).

8 0 1 0 1 0 19
< 1 0 0 =
Ejemplo: Tomemos R3 y C = e1 = @ 0 A ; e2 = @ 1 A ; e3 = @ 0 A
: ;
0 0 1
la base canónica de…ne 3! = 6 bases ordenadas distintas, a saber:
00 1 0 1 0 11 p1 : f1; 2; 3g ! f1; 2; 3g f 1 : 0 R3 1 ! 3
1 0 0 0R 1
@@ 0 A ; @ 1 A ; @ 0 AA c o n 1 7 ! 1 x x
2 7 ! 2
y
@ y A 7 ! @ y A
0 0 1
3 7 ! 3 z z
00 1 0 1 0 11 p2 : f1; 2; 3g ! f1; 2; 3g f2 : 0 R3 1 ! 3
1 0 0 0R 1
@@ 0 A ; @ 0 A ; @ 1 AA c o n 1 7 ! 1 x x
2 7 ! 3
y
@ y A 7 ! @ z A
0 1 0
3 7 ! 2 z y
00 1 0 1 0 11 p3 : f1; 2; 3g ! f1; 2; 3g f3 : 0 R3 1 ! R 3
0 1 0 0 1
@@ 1 A ; @ 0 A ; @ 0 AA c o n 1 7 ! 2 x y
2 7 ! 1
y
@ y A 7 ! @ x A
0 0 1
3 7 ! 3 z z
00 1 0 1 0 11 p4 : f1; 2; 3g ! f1; 2; 3g f4 : 0 R3 1 ! R 3
0 0 1 0 1
@@ 1 A ; @ 0 A ; @ 0 AA c o n 1 7 ! 2 x y
2 7 ! 3
y
@ y A 7 ! @ z A
0 1 0
3 7 ! 1 z x
00 1 0 1 0 11 p5 : f1; 2; 3g ! f1; 2; 3g f5 : 0 R3 1 ! R 3
0 1 0 0 1
@@ 0 A ; @ 0 A ; @ 1 AA c o n 1 7 ! 3 x z
2 7 ! 1
y
@ y A 7 ! @ x A
1 0 0
3 7 ! 2 z y
00 1 0 1 0 11 p6 : f1; 2; 3g ! f1; 2; 3g f6 : 0 R3 1 ! R 3
0 0 1 0 1
@@ 0 A ; @ 1 A ; @ 0 AA c o n 1 7 ! 3 x z
2 7 ! 2
y
@ y A 7 ! @ y A
1 0 0
3 7 ! 1 z x
Tarea. Sea P 2 [x] = fax2 + bx + c; a; b; c 2 Rg el espacio vectorial de los

polinomios en x de grado menor o igual a 2:
Sea B = fv1 = x2 ; v2 = x; v3 = 1g:
Dar los distintos isomor…smos de P 2 [x] a R que dan las 6 distintas bases
ordenadas de…nidas por B:

Sistemas de coordenadas y matrices de cambio de bases.
De…nición. Sea V un k espacio vectorial …nitamente generado y B = (v1 ; :::; vn )

una base ordenada de V:
El sistema de coordenadas de V en la base ordenada B es el siguiente:
n
X
8x 2 V; x = i vi ;
entonces el vector de coordenadas de x en la base
i=1 0 1
1
B C
ordenada B es (x)B := @ ... A :
n B
Observación. Sea V un k espacio vectorial …nitamente generado y B =

(v1 ; :::; vn ) una base ordenada de V:
0 1
0
B .. C
B . C
B C
B 0 C
B C
4. 8i = 1; :::; n; (vi )B = B
B 1 C
C
B 0 C i
B C
B . C
@ .. A
0
Es decir, 0
el sistema
0 de 1 coordenadas
0 ( 1)B
1 manda a B a la base canónica
1 0
B B 0 C B .. CC
B B C B CC
ordenada C=Be1 = B . C ; :::; en = B . CC :
@ @ .. A @ 0 AA
0 1
4.1. Denotaremos por ( )B : V ! k n al isomor…smo que de…ne el sistema de

coordenadas en la base ordenada B:
n
( )B : V ! 0 k 1
n 1
X B .. C :
x= i vi ! @ . A
i=1
n B
Nota: Enfatizamos poniendo el subíndice B para que tengan en mente que

es un sistema de coordenadas, aunque la multiplicación de matrices y vectores
sea la usual.
PD. ( )B : V ! k n es un isomor…smo.

RELLENEN LOS DETALLES, POR FAVOR.
4.1.a. Por (1), ( )B es una función de conjuntos. Es decir, está bien de…nida.
¿Por qué? (Hint: B es base ordenada)
4.1.b. PD. 8x; y 2 V; (x + y)B = (x)B + (y)B :

n
X n
X n
X
Pues si x = i vi yy = i vi entonces x+y = ( i +k i ) vi :
V esp. vect.
i=1 i=1 i=1
4.1.c. PD. 8x 2 V; 8 2 k; ( x)B = (x)B

n
X n
X n
X
Pues si x = i vi y 2 k entonces x = i vi = : ( k i ) vi :
V esp. vect.
i=1 i=1 i=1
4.1.d. PD. ( )B es un isomor…smo.

Usen distintas equivalencias de isomor…smo.
Yo usaré la siguiente:
"( )B (B)" = C es decir, manda a la base B en la base canónica C, por lo

tanto, ( )B es un isomor…smo.
4.2. También se puede hallar la inversa (que ya no tendrían que demostrar

que es lineal, por un ejercicio que hicimos de inversas, ¿cuál?).
( )B1 : 0 k n 1 ! V
1 n
B .. C X :
@ . A ! i vi
i=1
n B

F Ahora la pregunta sería, ¿Cómo pasar de un sistema de coordenadas ( )B a
otro sistema de coordenadas ( )B 0 donde B y B 0 son bases ordenadas de V ?
Lo haremos por medio de lo que se conoce como matrices de cambio de base.
n
X
Fíjense: Sea x 2 V , entonces x = i vi y queremos encontrar 1 ; :::; n 2
i=1
n
X n
X
k tales que i vi =x= i wi :
i=1 i=1
Entonces nos bastaría encontrar las combinaciones lineales, en la base B 0 ;
de cada vi elementos de la base B:
5. Proposición-De…nición. Sean V un k espacio vectorial …nitamente gen-

erado y B = (v1 ; :::; vn ) y B 0 = (w1 ; :::; wn ) bases ordenadas de V:
Como B 0 es base (ordenada) de V; para cada i = 1; :::; n;0existen 1 únicas

n a1i
X B C
a1i ; :::; ani 2 k tales que aji wj = vi : Por lo tanto, (vi )B 0 = @ ... A :
j=1 ani
2 3 B0
a11 a1n
6 .. .. .. 7 =
De…namos la siguiente matriz A := 4 . . . 5 (v1 )B 0 (vn )B 0
an1 ann
Entoces,
5.1. 8x 2 V; A (x)B = (x)B 0 :
5.2. A es un isomor…smo.
5.3. A 1 es la matriz de cambio de base B 0 a B:
Es decir, A nos da el cambio del sistema coordenado en B al sistema coor-
denado en B 0 y la llamaremos la matriz de cambio de base B a la base B 0
(o matriz de cambio de base B en B 0 ).
Demostración.
5.1. PD. 8x 2 V; A (x)B = (x)B 0 :

Sea x 2 V:
PD. A (x)B = (x)B 0
Como B es base (ordenada)

0 1 de V; existen únicos 1 ; :::; n 2 k tales que
n 1 n
X B . C X
x= i vi y (x)B = @ .. A = i (vi )B :
i=1 i=1
n B
n
X
Ahora, para todo i = 1; :::; n; vi = aji wj : Entonces
j=1

0 1 0 1
n
X n
X n
X
x= i vi = 1 v1 + + n vn = 1
@ aj1 wj A+ + n
@ ajn wj A =
i=1 j=1 j=1
= 1 (a11 w1 + + an1 wn ) + + n (a1n w1 + + ann wn ) =
n
! n
!
X X
= i a1i w1 + + i ani wn =
i=1 i=1
n
! n
!
X X
= a1i i w1 + + ani i wn :
i=1 i=1
Por lo tanto, x en las coordenadas de la base ordenada B 0 es
0 n
1
X
B a1i i C 2 30 1 0 1
B i=1 C a11 a1n
B C 1 1
B .. C 6 .. .. .. 7 B .. C = A B .. C :
(x)B 0 =B C == 4 . . . 5@ . A @ . A
B n . C
B X C an1 ann
@ ani A n B n B
i
i=1 B0
Por lo tanto, 8x 2 V; (x)B 0 = A(x)B :X
5.2. PD. A es un isomor…smo, donde A : k n ! k n .
80 1 0 19
< a11
> a1n >=
B C B C
Es decir, por demostrar que @ ... A ; :::; @ ... A es base de k n :
>
: >
;
an1 ann
80 1 9
>
< 0 >
=
B .. C
Pero lo voy a demostrar, comprobando que ker A = @ . A > y como es
>
: ;
0 B
una matriz cuadrada se cumple A mono () A iso.
Recordemos: 8
A0satisface
1 9que 8x 2 V; A(x)B = (x)B 0 :
>
< 0 >
=
B C
PD. ker A = @ ... A :
>
: >
;
0 B

)¿Por qué?
0 1
1
B C
) Sea @ ... A 2 ker A:
n
n
X
De…nimos x := i vi 2 V:
i=1
0 1 0 1 0 1
1 1 0
B C B C B C
Entonces @ ... A = (x)B y A @ ... A = @ ... A :
x2ker A
n n 0
01 0 1
0 1
B C B C
Por otro lado, @ ... A = A @ ... A = A(x)B = (x)B 0 :
0 n
Xn
Es decir, x = 0wi = 0V :
i=1
Por lo tanto, ker A f0V g:
Por lo tanto, ker A = f0V g:
Por lo tanto, A es mono y por ser matriz cuadrada, A es iso.X
5.3. PD. A 1 es la matriz de cambio de base B 0 = fw1 ; :::; wn g a B =

fv1 ; :::; vn g:
PD. 8x 2 V; A 1 (x)B 0 = (x)B :
0 1 0 1
1 1
B 0 C B 0 C
B C B C
5.3.a. Como ya vimos, para toda i = 1; :::; n; (v1 )B = B .. C =: B .. C ; :::; (vn )B =
@ . A @ . A
0 0
0 1 0 1 B
0 0
B .. C B .. C
B . C B C
B C =: B . C y
@ 0 A @ 0 A
1 1
0 B1 0 1
a11 a1n
B C B C
(v1 )B 0 = @ ... A ; :::; (vn )B 0 = @ ... A :
an1 B 0 ann B 0

Por lo tanto, la matriz identidad en columnas es
2 3
1 0 0
6 .. .. .. 7
6 0 . . . 7
(v1 )B (vn )B =6
6 ..
7=
7
4 .. ..
. . . 0 5
0 0 1
1 1 1 1
=A A=A (v1 )B 0 (vn )B 0 = A (v1 )B 0 A (vn )B 0 :
ver (0)
1
Por lo tanto, 8i = 1; :::; n; (vi )B = A (vi )B 0 :
1
Por lo tanto, (¿por qué?), 8x 2 V; (x)B = A (x)B 0 :

6. Ejemplo: Sea V = P 2 [x] = fax2 + bx + c 2 R[x]; a; b; c 2 Rg:
Sean B1 = (x; x2 ; 1); B2 = (x2 ; x; 1); B3 = (1 + x; 1 + x2 ; 1): Entonces
6.1. Los distintos sistemas coordenados en estas bases son:

0 1
b
ax2 + bx + c B1 = @ a A ;
c B
1
01
a
ax2 + bx + c B2
=@ b A ;
c B
2
0 1
b
ax2 + bx + c B3
=@ a A ; pues
c a b B3
ax2 + bx + c = (1 + x) + (1 + x2 ) +
si y sólo si
=by =ay + + =c
si y sólo si
=ay =ay =c a b:
0
6.2. Las matrices de cambio, AB 0
B ; de la base B a la base B ; entre estas
bases son:
B1 = (x; x2 ; 1); B2 = (x2 ; x; 1); B3 = (1 + x; 1 + x2 ; 1):
0 1
h i 0 1 0
a. AB2
B1 = (x)B2 x 2
B2
(1)B2 = @ 1 0 0 A es una matriz de
0 0 1
permutación.
Cómo
0 comprueban
1 (ver (6.1)): 0 10 1 0 1
0 1 0 0 1 0 b a
@ 1 0 0 A ax2 + bx + c B = @ 1 0 0 A @ a A = @ b A :X
1
0 0 1 0 0 1 c B c B
1 2
b. Tenemos que B1 = (x; x2 ; 1) y B3 = (1 + x; 1 + x2 ; 1):

Entonces
0 1 0 1 0 1
1 0 0
(x)B3 = @ 0 A ; x2 B3 = @ 1 A y (1)B3 = @ 0 A :
1 B 1 B 1 B
3 3 3
10

0 1
h i 1 0 0
AB
B1 =
3
(x)B3 x2 B3
(1)B3 = @ 0 1 0 A es una matriz de
1 1 1
permutación.
Comprobación
0 (ver
1 (6.2)): 0 10 1 0 1
1 0 0 1 0 0 b b
@ 0 1 0 A ax2 + bx + c =@ 0 1 0 A@ a A = @ a A :X
B1
1 1 1 1 1 1 c B c a b B3
1
0 1
1 0 0
Y por lo tanto, AB B3
B3 = (AB1 )
1 1
=@ 0 1 0 A :X
1 1 1
TAREA: Construir y comprobar que están correctas las matrices AB B3

B 3 y AB 2 :
2
11

LOS TEOREMAZOS EN VERSIÓN GENERAL.
De…nición. Sea V un k espacio vectorial …nitamente generado y BV =

(v1 ; :::; vn ) una base ordenada de V:
El sistema de coordenadas en V de…nida por la base ordenada BV es el
siguiente:
n
X
8x 2 V; x = i vi ; entonces el vector de coordenadas de x en la base
i=1 0 1
1
B C
ordenada BV es (x)BV := @ ... A :
n BV
1. Teoremazo. Sean V y W k espacios vectoriales …nitamente generados

con BV = (v1 ; :::; vn ) y BW = (w1 ; :::; wm ) bases ordenadas …jas de V y W
respectivamente.
Entonces el siguiente es un isomor…smo:

[ ]B
BV : Homk (V; W )
W
! Mm n (k)
1.1.
f 7 ! [f ]B
BV =
W
(f (v1 ))BW (f (v2 ))BW (f (vn ))BW
Es decir, [f ]B
BV =
W
(f (v1 ))BW (f (v2 ))BW (f (vn ))BW es la matriz
cuya i ésima columna es el vector de coordenadas de f (vi ) en la base ordenada
BW :
1.2. Más aún, 8x 2 V; (f (v))BW = [f ]B

BV (v)BV :
W
1.3. Sean f : V ! W; g : W ! U y BV = (v1 ; :::; vn ), BW = (w1 ; :::; wm ) y

BU = (u1 ; :::; un ) bases ordenadas …jas de V; W y U respectivamente.
Entonces [g f ]B BU BW
BV = [g]BW [f ]BV (como antes, composición de funciones
U
equivale a producto de matrices).
Importante: La base de W TIENE QUE SER LA MISMA para f y para

g:
En otras palabras, SI MANEJAMOS MUY BIEN MATRICES Y

LOS ESPACIOS VECTORIALES k n ; ENTONCES MANEJAMOS
MUY BIEN LOS ESPACIOS VECTORIALES FINITAMENTE GEN-
ERADOS Y LAS FUNCIONES LINEALES ENTRE ELLOS.
2. Teoremazo. Sean V y W k espacios vectoriales …nitamente generados.

Fijemos BV = (v1 ; :::; vn ) y BW = (w1 ; :::; wm ) bases ordenadas de V y W
respectivamente.
12

Entonces 8fy1 ; :::; yn g W: Existe una única matriz A 2 Mm n (k) tal que
A (vi )BV = (yi )BW :
3. Teorema. Sean V y W k espacios vectoriales …nitamente generados. Fije-

mos BV = (v1 ; :::; vn ) y BW = (w1 ; :::; wm ) bases ordenadas de V y W respec-
tivamente.
Sean f : V ! W k lineal y [f ]B BV =
W
C1 Cn la matriz de f en
BW
las bases BV y BW y C1 ; :::; Cn las columnas de [f ]BV : Entonces
3.1. f es monomor…smo () fC1 ; :::; Cn g es un conjunto linealmente indepen-

diente en k m : En este caso, n m:
3.2. f es epimor…smo () fC1 ; :::; Cn g es un conjunto generador de k m : En este
caso, n m:
3.3. f es isomor…smo () fC1 ; :::; Cn g es base de k m : En este caso, n = m:
Ejemplo: Tomemos la derivada de los polinomios en x de grado menor o igual

a 2 a los polinomios en x de grado menor o igual a 1, que sabemos es R lineal:
@: P 2 [x] ! P 1 [x]
ax2 + bx + c 7 ! 2ax + b
Ahora …jemos las bases ordenadas B = 1; x; x2 y B 0 = (x:1):

0 1
c
d
Entonces ax2 + bx + c = @ b A y (dx + e)B 0 =
B e B0
a B
B0 0 0 2
Entonces [@]B = y por teoremazos, @ es una función epi pero
0 1 0
no mono (que ya lo sabíamos).
13

Ejemplos de sistemas de coordenadas, matrices de cambio de bases
y teoremazos.
Hola Chic@s, primero empezaré con un ejemplo demostrando todo con mucha
calma, de lo que vimos ayer y hoy, pues utiicé diagramas para que tengan una
idea de cómo se puede en un solo diagrama tener la visión panorámica de un
problema. No es fácil demostrar en diagramas, pero es muy bonito demostrar
en diagramas y muy útil.
Ejemplo: Tomemos P 2 [x] = fax2 + bx + c 2 R[x];grado(ax2 + bx + c) 2g:
a. Dar el isomor…smo que de…ne el sistema de coordenadas en la base ordenada

B = (v1 = x 1; v2 = 8x2 ; v3 = 3) en P 2 [x]:
Demostrar que B es base de P 2 [x]:
Encontrar la función k lineal ( )B : P 2 [x] ! R3
3
( )B : P 2 [x] ! 0 R 1
3
X 1
ax2 + bx + c = i vi 7 ! @ 2
A
i=1 3 B
se puede encontrar de varias maneras:
Recordemos B = (v1 = x 1; v2 = 8x2 ; v3 = 3):

3
X
a.1. A pie: Encontrar 1; 2; 3 2 R tales que ax2 + bx + c = i vi :
i=1
3
X
ax2 + bx + c = i vi = 1 (x 1) + 2 (8x
2
)+ 3( 3)
i=1
()
ax2 + bx + c = ( 2 8)x2 + 1 x + ( 3 3 1)
()
a=8 2 yb= 1 yc= 3 3 1
()
a c b
1 =b y 2 = 8 y 3 = 3
Por lo tanto,
3
( )B : P 2 [x] ! 0 1 R0 1
3
X 1 b
@ A =@ a A :
ax2 + bx + c = i vi 7 ! 2 8
c b
i=1 3 B 3 B

1 0 0 1
1 0
Comprobación: Demostrar que (v1 )B = @ 0 A ; (v2 )B = @ 1 A ; (v3 )B =
0 B 0 B
0 1
0
@ 0 A :
1 B
0 1
1
(v1 )B = (x 1)B = @ 0 A :X
0 B
Síganle, sí está bien la función.
a.1.1. Luego tenemos que demostrar que ( )B es lineal y que es un isomor…smo.

(Buen ejercicio, háganlo).
a.2. Otra manera: Es usar el teoremazo2.

Teoremazo2. Sean V y W k espacios vectoriales …nitamente generados. Fi-
jemos BV = fv1 ; :::; vn g base de V:
Entonces 8fy1 ; :::; yn g W: Existe una única función k lineal f : V !W

tal que 8i = 1; :::; n; f (vi ) = yi :
Recordemos B = (v1 = x 1; v2 = 8x2 ; v3 = 3) y necesitamos que 8i =

1:2:3; vi 7! ei donde C = (e1 ; e2 ; e3 ) es la base canónica de R3 .
Entonces por teoremazo2, como B es base de P 2 [x] y fe1 ; e2 ; e3 g R3 ,

existe una única función R lineal que hace eso.
Este teorema nos da la existencia de esta función lineal, ( )B : (Que muchas

veces esto resuelve su problema), para tenerla concreta hay que hacerlo como
en (a.2).
PERO, el teoremazo2 nos dice mucho: que ( )B es lineal, única y como
"( )B (B)" = C (manda a la base B en la base C), entonces ( )B es un
isomor…smo.X
b. Dadas dos bases ordenadas de P 2 [x]; B y B 0 ; y tenemos, ( )B ; el sis-
tema de coordenadas en B, podemos encontrar el sistema de coordenadas en B 0
0
utilizando lo que llamamos la matriz de cambio de la base B a la base B 0 ; AB
B :
Sean B = (v1 = x 1; v2 = 8x2 ; v3 = 3) y ya tenemos

3
( )B : P 2 [x] ! R0 1 0 1
X3 1 b
@ 2 A =@ a A :
ax2 + bx + c = i vi 7 ! 8
c b
i=1 3 B 3 B
Ahora, sea B 0 = (v10 = x2 ; v20 = x2 + x; v30 = x2 + x + 1):

Demostrar que B 0 es base de P 2 [x]:

Encontrar ( )B 0 :
b.1. Por supuesto pueden construir ( )B 0 como en (a).

b.2. Lo que quiero que vean es cómo el teoremazo2 nos dice que con conocer un
sistema de coordenadas en una base ordenada, podemos conocer el sistema de
coordenadas en cualquier otra base.
Tenemos
( )B
V ! R3
v1 7 ! e1 y queremos hallar una función lineal (matriz) AB 0 : R3 !
B
v2 7 ! e2
v3 7 ! e3
0
R3 tal que ABB ( )B = ( )B 0 :
En diagrama, se escribe así
V
( )B
. &( )B0
k n
99K0 kn
AB
B
0
donde ó signi…ca el diagrama conmuta. Es decir, AB B ( )B =
( )B 0 ( )B = ( )B 0 ; que en clase vimos que existe. Lo recuerdo en este ejemplo:
Observemos: 8x 2 P 2 [x]; (9! 1 ; 2 ; 3 2 R, x = 1 v1 + 2 v2 + 3 v3 ) ^

0 0 0
(9! 1 ; 2 ; 3 2 R, x = 1 v1 + 2 v2 + 3 v3 ):
Entonces
0 1 0 1
1 1
(x)B = @ 2
A y (x)B 0 = @ 2
A
3 B 3 B0
Por lo tanto,
(x)B 0 = ( 1 v1 + 2 v2 + 3 v3 )B 0 = 1 (v1 )B 0 + 2 (v2 )B 0 + 3 (v3 )B 0 :
Además, (v1 )B = ei para i = 1; 2; 3:
Entonces por teoremazo2, para la base canónica ordenada de R3 ; C =

(e1 ; e2 ; e3 ) existe una única función lineal tal que manda a cada vi a (vi )B 0 :
0
( )B AB
V ! R3 B
! R3
v1 7 ! e1 7 ! (v1 )B 0
v2 7 ! e2 7! (v2 )B 0
v3 7 ! e3 7! (v3 )B 0

0
Y como ahora AB B : R
3
! R3 ; entonces la podemos poner como matriz,
cuyas columnas, recuerden, son las imágenes de la base canónica. Es decir
0
AB
B = (v1 )B 0 (v2 )B 0 (v3 )B 0 donde B 0 = (v10 = x2 ; v20 = x2 + x; v30 =
2
x + x + 1):
0 1
Además demostramos que AB B 0 = AB
B
:
0 1 0 1 0 1
1 8 0
Calculé (v1 )B 0 = @ 2 A ; (v2 )B 0 = @ 0 A y (v3 )B 0 = @ 3 A :
1 B0 0 B0 3 B0
Comprobemos: recuerden que B = (v1 = x 1; v2 = 8x2 ; v3 = 3) y

B = (v10 = x2 ; v20 = x2 + x; v30 = x2 + x + 1):
0
x2 + 2 x2 + x (x2 + x + 1) = x 1 = v1 :X
8x + 0 x + x + 0(x2 + x + 1) = 8x2 = v2 :X
2 2
0x2 + 3 x2 + x 3(x2 + x + 1) = 3 = v3 :X
2 3
1 8 0
0
Por lo tanto, AB
B = (v1 )B 0 (v2 )B 0 (v3 )B 0 =4 2 0 3 5:
1 0 3
0
AHORA, ¿cómo se puede sacar AB
B que no sea a pie?
0
En clase demostramos que AB B
B = (AB 0 )
1
Y AB
B0 = (v10 )B (v20 )B (v30 )B y tenemos el isomor…smo
3
( )B : P 2 [x] ! 0 1 R0 1
3
X 1 b
:
ax2 + bx + c = i vi 7 ! @ 2 A =@ a 8
A
c b
i=1 3 B 3 B
Por lo tanto,
2 3
0 1 1
AB
B0 =
4 1 1 1 5
8 8 8
1 2
0 3 3
2 3 2 3
0 1 1 1 8 0
0
Y 4 18 1
8
1 5
8 , inverse: 4 2 0 3 5 = AB B :
1 2
0 3 3 1 0 3
EN RESUMEN:
Sean B = (v1 ; :::; vn ) y B 0 = (v10 ; :::; vn0 ) bases ordenadas de V k espacio
vectorial de dimensión n:
Conocemos ( )B : V ! k n el sistema de coordenadas de V en la
base ordenada B:

Construir, ABB0 = (v10 )B (vn0 )B , sacamos la inversa de esta
0
matriz y obtenemos AB B
B = (AB 0 )
1
:
0
Entonces ( )B 0 = AB
B ( )B : V ! k n : Y LISTO. :)

Ejemplos de sistemas de coordenadas, matrices de cambio de bases
y teoremazos.
Hola Chic@s, primero empezaré con un ejemplo demostrando todo con mucha
calma, de lo que vimos ayer y hoy, pues utiicé diagramas para que tengan una
idea de cómo se puede en un solo diagrama tener la visión panorámica de un
problema. No es fácil demostrar en diagramas, pero es muy bonito demostrar
en diagramas y muy útil.
Ejemplo: Tomemos P 2 [x] = fax2 + bx + c 2 R[x];grado(ax2 + bx + c) 2g:
a. Dar el isomor…smo que de…ne el sistema de coordenadas en la base ordenada

B = (v1 = x 1; v2 = 8x2 ; v3 = 3) en P 2 [x]:
Demostrar que B es base de P 2 [x]:
Encontrar la función k lineal ( )B : P 2 [x] ! R3
3
( )B : P 2 [x] ! 0 R 1
3
X 1
ax2 + bx + c = i vi 7 ! @ 2
A
i=1 3 B
se puede encontrar de varias maneras:
Recordemos B = (v1 = x 1; v2 = 8x2 ; v3 = 3):

3
X
a.1. A pie: Encontrar 1; 2; 3 2 R tales que ax2 + bx + c = i vi :
i=1
3
X
ax2 + bx + c = i vi = 1 (x 1) + 2 (8x
2
)+ 3( 3)
i=1
()
ax2 + bx + c = ( 2 8)x2 + 1 x + ( 3 3 1)
()
a=8 2 yb= 1 yc= 3 3 1
()
a c b
1 =b y 2 = 8 y 3 = 3
Por lo tanto,
3
( )B : P 2 [x] ! 0 1 R0 1
3
X 1 b
@ A =@ a A :
ax2 + bx + c = i vi 7 ! 2 8
c b
i=1 3 B 3 B

1 0 0 1
1 0
Comprobación: Demostrar que (v1 )B = @ 0 A ; (v2 )B = @ 1 A ; (v3 )B =
0 B 0 B
0 1
0
@ 0 A :
1 B
0 1
1
(v1 )B = (x 1)B = @ 0 A :X
0 B
Síganle, sí está bien la función.
a.1.1. Luego tenemos que demostrar que ( )B es lineal y que es un isomor…smo.

(Buen ejercicio, háganlo).
a.2. Otra manera: Es usar el teoremazo2.

Teoremazo2. Sean V y W k espacios vectoriales …nitamente generados. Fi-
jemos BV = fv1 ; :::; vn g base de V:
Entonces 8fy1 ; :::; yn g W: Existe una única función k lineal f : V !W

tal que 8i = 1; :::; n; f (vi ) = yi :
Recordemos B = (v1 = x 1; v2 = 8x2 ; v3 = 3) y necesitamos que 8i =

1:2:3; vi 7! ei donde C = (e1 ; e2 ; e3 ) es la base canónica de R3 .
Entonces por teoremazo2, como B es base de P 2 [x] y fe1 ; e2 ; e3 g R3 ,

existe una única función R lineal que hace eso.
Este teorema nos da la existencia de esta función lineal, ( )B : (Que muchas

veces esto resuelve su problema), para tenerla concreta hay que hacerlo como
en (a.2).
PERO, el teoremazo2 nos dice mucho: que ( )B es lineal, única y como
"( )B (B)" = C (manda a la base B en la base C), entonces ( )B es un
isomor…smo.X
b. Dadas dos bases ordenadas de P 2 [x]; B y B 0 ; y tenemos, ( )B ; el sis-
tema de coordenadas en B, podemos encontrar el sistema de coordenadas en B 0
0
utilizando lo que llamamos la matriz de cambio de la base B a la base B 0 ; AB
B :
Sean B = (v1 = x 1; v2 = 8x2 ; v3 = 3) y ya tenemos

3
( )B : P 2 [x] ! R0 1 0 1
X3 1 b
@ 2 A =@ a A :
ax2 + bx + c = i vi 7 ! 8
c b
i=1 3 B 3 B
Ahora, sea B 0 = (v10 = x2 ; v20 = x2 + x; v30 = x2 + x + 1):

Demostrar que B 0 es base de P 2 [x]:

Encontrar ( )B 0 :
b.1. Por supuesto pueden construir ( )B 0 como en (a).

b.2. Lo que quiero que vean es cómo el teoremazo2 nos dice que con conocer un
sistema de coordenadas en una base ordenada, podemos conocer el sistema de
coordenadas en cualquier otra base.
Tenemos
( )B
V ! R3
v1 7 ! e1 y queremos hallar una función lineal (matriz) AB 0 : R3 !
B
v2 7 ! e2
v3 7 ! e3
0
R3 tal que ABB ( )B = ( )B 0 :
En diagrama, se escribe así
V
( )B
. &( )B0
k n
99K0 kn
AB
B
0
donde ó signi…ca el diagrama conmuta. Es decir, AB B ( )B =
( )B 0 ( )B = ( )B 0 ; que en clase vimos que existe. Lo recuerdo en este ejemplo:
Observemos: 8x 2 P 2 [x]; (9! 1 ; 2 ; 3 2 R, x = 1 v1 + 2 v2 + 3 v3 ) ^

0 0 0
(9! 1 ; 2 ; 3 2 R, x = 1 v1 + 2 v2 + 3 v3 ):
Entonces
0 1 0 1
1 1
(x)B = @ 2
A y (x)B 0 = @ 2
A
3 B 3 B0
Por lo tanto,
(x)B 0 = ( 1 v1 + 2 v2 + 3 v3 )B 0 = 1 (v1 )B 0 + 2 (v2 )B 0 + 3 (v3 )B 0 :
Además, (v1 )B = ei para i = 1; 2; 3:
Entonces por teoremazo2, para la base canónica ordenada de R3 ; C =

(e1 ; e2 ; e3 ) existe una única función lineal tal que manda a cada vi a (vi )B 0 :
0
( )B AB
V ! R3 B
! R3
v1 7 ! e1 7 ! (v1 )B 0
v2 7 ! e2 7! (v2 )B 0
v3 7 ! e3 7! (v3 )B 0

0
Y como ahora AB B : R
3
! R3 ; entonces la podemos poner como matriz,
cuyas columnas, recuerden, son las imágenes de la base canónica. Es decir
0
AB
B = (v1 )B 0 (v2 )B 0 (v3 )B 0 donde B 0 = (v10 = x2 ; v20 = x2 + x; v30 =
2
x + x + 1):
0 1
Además demostramos que AB B 0 = AB
B
:
0 1 0 1 0 1
1 8 0
Calculé (v1 )B 0 = @ 2 A ; (v2 )B 0 = @ 0 A y (v3 )B 0 = @ 3 A :
1 B0 0 B0 3 B0
Comprobemos: recuerden que B = (v1 = x 1; v2 = 8x2 ; v3 = 3) y

B = (v10 = x2 ; v20 = x2 + x; v30 = x2 + x + 1):
0
x2 + 2 x2 + x (x2 + x + 1) = x 1 = v1 :X
8x + 0 x + x + 0(x2 + x + 1) = 8x2 = v2 :X
2 2
0x2 + 3 x2 + x 3(x2 + x + 1) = 3 = v3 :X
2 3
1 8 0
0
Por lo tanto, AB
B = (v1 )B 0 (v2 )B 0 (v3 )B 0 =4 2 0 3 5:
1 0 3
0
AHORA, ¿cómo se puede sacar AB
B que no sea a pie?
0
En clase demostramos que AB B
B = (AB 0 )
1
Y AB
B0 = (v10 )B (v20 )B (v30 )B y tenemos el isomor…smo
3
( )B : P 2 [x] ! 0 1 R0 1
3
X 1 b
:
ax2 + bx + c = i vi 7 ! @ 2 A =@ a 8
A
c b
i=1 3 B 3 B
Por lo tanto,
2 3
0 1 1
AB
B0 =
4 1 1 1 5
8 8 8
1 2
0 3 3
2 3 2 3
0 1 1 1 8 0
0
Y 4 18 1
8
1 5
8 , inverse: 4 2 0 3 5 = AB B :
1 2
0 3 3 1 0 3
EN RESUMEN:
Sean B = (v1 ; :::; vn ) y B 0 = (v10 ; :::; vn0 ) bases ordenadas de V k espacio
vectorial de dimensión n:
Conocemos ( )B : V ! k n el sistema de coordenadas de V en la
base ordenada B:

Construir, ABB0 = (v10 )B (vn0 )B , sacamos la inversa de esta
0
matriz y obtenemos AB B
B = (AB 0 )
1
:
0
Entonces ( )B 0 = AB
B ( )B : V ! k n : Y LISTO. :)

Recordemos:
Sistemas de coordenadas.
I. De…nición-Proposición. Sean V un k espacio vectorial …nitamente gen-

erado y B = (v1 ; :::; vn ) una base ordenada de V:
n
X
i=1 0 1
1
B C
n B
Más aún, este sistema de coordenadas de…ne un isomor…smo (lineal y biyec-
tiva)
( )B : V ! kn ( )B1 : kn ! V
i = 1; :::; n vi 7 ! 0 ei 1 i = 1; :::; n 0 ei 1 7 ! vi
n 1 con inversa 1 :
X B .. C B .. C
n
X
x= i vi 7 ! @ . A @ . A 7 ! i vi
i=1 i=1
n B n
Importante
0 1 recordar que 0 1
1 0
B 0 C B .. C X
B C B . C
(v1 )B = B . C ; :::; (vn )B = B C : Pues vi = 1vi + 0vh :
@ .. A @ 0 A h6=i
0 B 1 B
0 Y ( 0)B es
1 isomor…smo 0 pues
11manda a la base B a la base canónica, C =
1 0
B B 0 C B .. CC
B B C B CC
Be1 = B .. C ; :::; e1 = B . CC de k n :
@ @ . A @ 0 AA
0 1
Matrices de cambio de bases.
II. Proposición-De…nición. Sean V k espacio vectorial de dimensión n,

B = (v1 ; :::; vn ) y ( )B : V ! k n el sistema de coordenadas de V en la base
B: Entonces
0
B0
8B 0 = (v10 ; :::; vn0 ) base ordenada de V; 9!AB
B 2 Mn (k) invertible, AB
( )B = ( )B 0 .
0
De hecho, AB
B = (v1 )B 0 (vn )B 0 cuya i ésima columna es el vector
de coordenadas de vi 2 B en la base B 0 :
0
B AB
Es decir, 8x 2 V; (x)B 7 ! (x)B 0
Además,
0 1
II.a. AB B
B 0 = AB :
II.b. AB
B = In es la matrizidentidad.
00
B 00 B 0
II.c. AB
B = AB 0 AB para B:B 0 y B 00 bases ordenadas de V:
0
II.d. Manera fácil de construir AB
B pues sabemos el sistema de coordenadas
( )B :
Como conocemos ( )B ; construyamos AB B0 = (v10 )B (vn0 )B y luego
1 0
calculemos la inversa de esta matriz, AB
B0 = AB
B :
NOTA MUY IMPORTANTE: Parece que la notación que estoy usando en

las coordenadas que le corresponde a cualquier vector en una base ordenada B:
Con el tiempo ustedes tendrán su propia manera de escribirla. Pero es muy
importante que. Entonces haremos lo siguiente:
0 0 1 11 0
1 0
B B C 0 B .. CC
B B C B CC
Sea Ckn = Be1 = B C ; :::; en = B . CC la base ordenada canónica. En
..
@ @ A .@ 0 AA
0 1
esta base es con la que usualmente denotamos los vectores, por ejemplo, cuando
2
decimos ; realmente estamos diciendo 2e1 +e2 : pero como ahorita estamos
1
usando varias bases a la vez, les propongo lo siguiente
1 0
x1
B C
Escribiremos SIEMPRE la base @ ... A aunque sean los vectores
xn C n
k
con los que usualmente trabajamos.
2
Entonces si queremos el sistema de coordenadas de en una base
! 1
2
ordenada B = (v1 ; v2 ); escribiremos ; pero si ya está en la base
1 C2
R B
B; es decir,
!
2 2
= v1 + v2 entonces escribiremos = :
1 CR2
1 CR2 B
B
Ejemplo de la clase del 11 de mayo:
1 0
1. Sean C2 := CR2 = e1 = ; e2 = la base ordenada canónica
0 1
2
de R y
1 2 1 3
B1 = v1 = ; v2 = y B2 = v10 = ; v20 =
2 0 3 1
otras bases ordenadas de R2 :
Encontrar todos los sistemas de coordenadas de R2 en estas bases y todas

las matrices de cambio de bases entre ellas.
1
1 2 0
AC
B1 =
2
, inverse: 1 1
2 = AB
C2
1
2 0 2 4
1 3
1 3
AC
B2 =
2
, inverse: 10
3
10
1 = AB
C2
2
3 1 10 10
1 3 1 1
1 2
AB 2 C2
C 2 AB 1 =
10
3
10
1 = 2
1
5
3 = AB
B1 :
2
10 10 2 0 2 5
1 1 3 1
2
1
5
3 , inverse: 5
2 2
5 = AB
B2
1
2 5 4 4
!
1 1
1 2
Comprobar que 2
1
5
3 = AB
B1 : B 1 =
2
v1 = ; v2 =
2 5 2 C2
0 C2
!
1 3
y B2 = v10 = ; v20 =
3 C2
1 C 2
Recordemos que AB
B1 (w)B1
2
= (w)B2 para todo vector w 2 R2 :
1
Y sabemos que (v1 )B1 = :
0 B
1
1 1
AB
B1 =
2 2
1
5
3
2 5
1 1 1
2 5 1 2
1 3 = 1 :
2 5 0 2
1 0 1 0
PD. 2 v1 2 v2 = v1
1 0 1 0 1 1 1 3 1
2 v1 2 v2 = 2 3 2 1
=
2
= v1 :X
C2 C2 C2
1 1 1
2 5 0 5
1 3 = 3 :
2 5 1 5
PD. 15 v10 3 0
5 v2 = v2
1 0 3 0 1 1 3 3 2
5 v1 5 v2 = 5 3 5 1
=
0
= v2 :X
C2 C2 C2
1 1
Por lo tanto, 2
1
5
3 = AB
B1 :
2
2 5
TAREA: Dar explícitamente ( )C2 ; ( )B1 :( )B2 : R2 ! R2 y AB1:
B2
( )B2 = AB
B1
2
( )B1 : R2 ! R2
2. TAREA: En R3 encontrar las matrices de cambio de bases0y los sistemas
0 1 de 0 1 0 11
1 0 0
coordenadas para las siguientes bases ordenadas: C3 := CR3 = @"1 = @ 0 A ; "2 = @ 1 A ; "3 = @ 0 AA
00 1 0 1 0 11 2 3 0 0 1
1 8 0 1 8 0
y D1 = @@ 2 A ; @ 7 A ; @ 3 AA es base ordenada: 4 2 7 3 5, inverse:
3 5 4 3 5 4
2 13 32 8
3 22 3 2 3 2 33
21 21 7 1 8 0
4 1 4 1 5
, column basis: 44 2 5 ; 4 7 5 ; 4 3 55, nullspace basis:
21 21 7
11 19 3
21 21 7
3 5 4
[], determinant: 21 6= 0:
Dar AD
C3 :
1
2 3 2 13 32 8
3
1 8 0 21 21 7
AC 3
= 4 2 7 3 5, inverse: 4 1 4 1 5 = AD1 : Por lo tanto,
D1 21 21 7 C3
11 19 3
3 5 4 21 21 7
( )D1 = AD 1
C3 ( )C3 = AD1
C3
TAREA: Dar el sistema de coordenadas ( )D1 : R3 ! R3 :
3. Dieron una función f : R2 ! R3 :
0 1 2 3
x 1 0
x C
7 ! @ 4x + 6y A [ f ]C32 = 4 4 6 5 :
y C
2 3x + 2y C 3 2
2 3 3 0 1
1 0 x
x
Comprobación: 4 4 6 5 = @ 4x + 6y A
y
3 2 3x + 2y
Más aún, vimos propiedades de esta función: nullspace basis: [] f es mono
y no puede ser epi pues 2 < 3 (y si fuera epi, la dimensión del dominio sería
mayor o igual que la dimensión del contradominio).
C C D D D
TAREA. Hallar y comprobar (aunque sea una de estas funciones) [f ]B31 ; [f ]B32 ; [f ]B11 ; [f ]B11 ; [f ]C21
2 3
1 0
C
donde [ f ]C32 = 4 4 6 5.
3 2 2 3 2 3
1 0 1 2
C3 C3 4 4 6 5 1 2 C C
[f ]B1 = [ f ]C2 ACB1 =
2
= 4 8 8 5, [f ]B32 = [ f ]C32
2 0
3 2 1 6
D1 C3 D1 C3
AC
B2
2
; [f ] B1 = A D1
C3 [f ] C2 A C2
B1 ; [f ]C2 = A D1
C3 [f ]C2
D C
y [f ]C21 = AD1
C3 [f ]C32 : (w)C2 7 ! (f (w))D1
2 3
1 2
C
1. PD. [f ]B31 =4 8 8 5
1 6
1 2
Comprobación: Recordemos B1 = v1 = ; v2 =
2 0
C
PD. 8w 2 R2 ; (f (w))C3 = [ f ]C32 ACB1 (w)B1 :
2
2 3
1 0
C3
Sabemos que [ f ]C2 = 4 4 6 5
3 2
2 3 2 3 0 1
1 0 1 0 1
4 4 6 5 (v1 ) = 4 4 6 5 1
C2 = @ 8 A = (f (v1 ))C3
2
3 2 3 2 1 C
3
1
Por otro lado, = (v1 )B1 y
0 B
2 3 01 1
1 2 1
4 8 8 5 1 = @ 8 A = (f (v1 ))C3 :
0
1 6 1
Es decir, (f (v1 ))C3 = 1"1 8"2 "3 :X
0
Y = (v2 )B1 y
1
2 B3
1 0 1
1 2 2
4 0
8 8 5 = @ 8 A = (f (v2 ))C3 :
1
1 6 6
Es decir, (f (v2 ))C3 = 2"1 + 8"2 + 6"3 :X

Por lo tanto,
2 3
1 2
C
[f ]B31 = 4 8 8 5 :
1 6
2 3 2 3
1 2 3 1 1 3
C3 C3
2. PD. [f ]B2 = [ f ]B1 ( )B2 = 4 8 8 5
B1
5
2 2
5 = 4 22 6 5
1 6 4 4 9 7
Recordemos:
Sistemas de coordenadas.
I. De…nición-Proposición. Sean V un k espacio vectorial …nitamente gen-

erado y B = (v1 ; :::; vn ) una base ordenada de V:
n
X
i=1 0 1
1
B C
n B
Más aún, este sistema de coordenadas de…ne un isomor…smo (lineal y biyec-
tiva)
( )B : V ! kn ( )B1 : kn ! V
i = 1; :::; n vi 7 ! 0 ei 1 i = 1; :::; n 0 ei 1 7 ! vi
n 1 con inversa 1 :
X B .. C B .. C
n
X
x= i vi 7 ! @ . A @ . A 7 ! i vi
i=1 i=1
n B n
Importante
0 1 recordar que 0 1
1 0
B 0 C B .. C X
B C B . C
(v1 )B = B . C ; :::; (vn )B = B C : Pues vi = 1vi + 0vh :
@ .. A @ 0 A h6=i
0 B 1 B
0 Y ( 0)B es
1 isomor…smo 0 pues
11manda a la base B a la base canónica, C =
1 0
B B 0 C B .. CC
B B C B CC
Be1 = B .. C ; :::; e1 = B . CC de k n :
@ @ . A @ 0 AA
0 1
Matrices de cambio de bases.
II. Proposición-De…nición. Sean V k espacio vectorial de dimensión n,

B = (v1 ; :::; vn ) y ( )B : V ! k n el sistema de coordenadas de V en la base
B: Entonces
0
B0
8B 0 = (v10 ; :::; vn0 ) base ordenada de V; 9!AB
B 2 Mn (k) invertible, AB
( )B = ( )B 0 .
0
De hecho, AB
B = (v1 )B 0 (vn )B 0 cuya i ésima columna es el vector
de coordenadas de vi 2 B en la base B 0 :
0
B AB
Es decir, 8x 2 V; (x)B 7 ! (x)B 0
Además,
0 1
II.a. AB B
B 0 = AB :
II.b. AB
B = In es la matriz
identidad.
00
B 00 B 0
II.c. AB
B = AB 0 AB para B:B 0 y B 00 bases ordenadas de V:
0
II.d. Manera fácil de construir AB
B pues sabemos el sistema de coordenadas
( )B :
Como conocemos ( )B ; construyamos AB B0 = (v10 )B (vn0 )B y luego
1 0
calculemos la inversa de esta matriz, AB
B0 = AB
B :
NOTA MUY IMPORTANTE: Parece que la notación que estoy usando en

las coordenadas que le corresponde a cualquier vector en una base ordenada B:
Con el tiempo ustedes tendrán su propia manera de escribirla. Pero es muy
importante que. Entonces haremos lo siguiente:
0 0 1 11 0
1 0
B B C 0B .. CC
B B C B CC
Sea Ckn = Be1 = B C ; :::; en = B . CC la base ordenada canónica. En
..
@ @ A @ 0 AA
.
0 1
esta base es con la que usualmente denotamos los vectores, por ejemplo, cuando
2
decimos ; realmente estamos diciendo 2e1 +e2 : pero como ahorita estamos
1
usando varias bases a la vez, les propongo lo siguiente
1 0
x1
B C
Escribiremos SIEMPRE la base @ ... A aunque sean los vectores
xn C n
k
con los que usualmente trabajamos.
2
Entonces si queremos el sistema de coordenadas de en una base
1
!
2
ordenada B = (v1 ; v2 ); escribiremos ; pero si ya está en la base
1 C2
R B
B; es decir,
!
2 2
= v1 + v2 entonces escribiremos = :
1 CR2
1 CR2 B
B
!
1 0
Ejemplo de la clase del 11 de mayo: Sean C2 := CR2 = e1 = ; e2 =
0 C2
1 C2
la base ordenada canónica de R2 y ! !
1 2 1 7
B 1 = v1 = ; v2 = y B2 = v10 = ; v20 =
6 C 2 C2
3 C2
2 C2
2
otras bases ordenadas de R2 :
Encontrar todos los sistemas de coordenadas de R2 en estas bases y todas

las matrices de cambio de bases entre ellas.
! !
1 2 1 7
( )C2 = 1R2 y B1 = v1 = ; v2 = y B2 = v10 = ; v20 =
6 C 2 C 3 C 2 C2
2 2 2
1 1
1 2
1. AC2
B1= , inverse: 3
5 5
1 = AB
C2 ,
1
(w)C2 7 ! (w)B1
6 2 5 10
Recordemos que (vi )B1 = (ei )B1
2 7
1 7
AC 2
B2 = , inverse: 19
3
19
1 = AB
C2
2
3 2 19 19
1 2 1 7
Recordemos que B1 = v1 = ; v2 = ; B2 = v10 = ; v20 = :
6 2 3 2
Sean w 2 R2 y sus combinaciones lineales en las bases ordenadas B1 y B2 :

0 0 0
w = v1 + v2 = v1 + v2 : Entonces (w)B1 = y (w)B2 =
B1
0
0
B2
( )B1 : R2 ! k n es un iso.
B
AB2 0
(w)B1 = 7 !1 (w)B2 = 0 : Además, AB
B1 también es iso.
2
B1 B2
1
(v1 )B1 = pues v1 = 1v1 + 0v2 .
0 B1
Sabemos que al conocer en una base ordenada su sistema de coordenadas,

en este caso conocemos muy bien el de C2 , entonces usamos esta base de apoyo
para encontrar las matrices de cambio de base de las demás.
2 7 40 10
1 2
AB B2 C2
B1 = AC2 AB1 =
2
3
19 19
1 = 19
3
19
4
19 19 6 2 19 19
Comprobación (opcional):
1 0
Como AB
B1 :: (w)B1 7! (w)B2 y : (v1 )B1 =
2
y (v2 )B2 = :
0 B1
1 B1
Entonces el siguiente vector nos debe de dar los escalares de v1 en la base

B2 :
40 10 40
19 19 1 19
3 4 = 3 :
19 19 0 19
40 1 3 7 1
Calculemos 19 19 = = v1 ; que es correcto.
3 C2
2 C2
6 C2
40
Y (v1 )B2 = 19 :
3
19 B2
40 10
19 19 0
TAREA. Continuar la comprobación. 3 4
19 19 1
40 10
Por lo tanto, 19
3
19
4 = AB
B1 :X
2
19 19
TAREA: Encontrar AB B2 y todos los sistemas de coordenadas en estas bases,

1
para que tengan el ejercicio completo.
TAREA: En R3 encontrar las matrices de cambio de bases 0 y los0sistemas
1 de 0 1 0 11
1 0 0
coordenadas para las siguientes bases ordenadas: C3 := CR3 @"1 = @ 0 A ; "2 = @ 1 A ; "3 = @ 0 AA
0 0 1 0 1 0 11 0 0 1
1 3 2
y D = @z1 = @ 2 A ; z2 = @ 4 A ; z3 = @ 2 AA
1 0 2
Comprobación de que D es base:

2 3 22 3 2 3 2 33
1 3 2 1 3 2
4 2 4 2 5, column basis: 44 2 5 ; 4 4 5 ; 4 2 55, nullspace basis:
1 0 2 1 0 2
[], determinant:
0 0 2 =
6 0:
1 Por lo tanto,
0 1 D es base.
0 11
1 3 2
D = @z1 = @ 2 A ; z2 = @ 4 A ; z3 = @ 2 AA
1 0 2
2 3 2 3
1 3 2 4 3 1
AC
D
3
=4 2 4 2 5, inverse: 4 3 2 1 5 = AD
C3
3
1 0 2 2 2 1
23
1 2
C
[f ]C32 = 4 3 0 5 : R2 ! R3 es mono pero no es epi, pues 2 < 3 (si
1 1
fuera epi, la dimensión del dominio sería mayor o igual que la dimensión del
contradominio)
0 1 0 0 1 0 1 1 2 3
1 3 2 1 2
C
D = @z1 = @ 2 A ; z2 = @ 4 A ; z3 = @ 2 A A y [f ]C32 = 4 3 0 5:
1 C 0 C 2 C 1 1
3 3 3
D C D D
[f ]C2 ; [f ]B31 ; [f ]B1 ; [f ]B2
2 32 3 2 3
4 3 1 1 2 6 7
D C
[f ]C2 = AD 3
C3 [f ]C2 =4 3 2 1 54 3 0 5=4 4 5 5 : (w)C2 7 !
3 7
2 2 1 1 1 2 3
(f (w))D
Comprobación:
C2 = (e1 ; e2 )
2 3 0 1 2 3 0 1
1 2 1 1 2 2
1 0
Por de…nición de f; 4 3 0 5 =@ 3 Ay4 3 0 5 = @ 0 A:
0 1
1 1 1 1 1 1
2 3 1 0 0 1
6 7 6 1
4 4 1
5 5 = @ 4 A = (f (e1 ))D : Entonces f (e1 ) = 6 @ 2 A
7 0 7
3 1
0 1 2 0 1 0 12
3 2 1
4 @ 4 A + 27 @ 2 A = @ 3 A :X
0 2 1 C
3
2 3 0 1 0 1
6 7 7 1
4 4 0
5 5 = @ 5 A = (f (e2 ))D : Entonces f (e2 ) = 7 @ 2 A+
7 1
0 1
2 30 1 0 1 3 1
3 2 2
5@ 4 A 3 @ 2 A = @ 0 A :X
0 2 1 C
3
2 3
6 7
D
Por lo tanto, [f ]C2 =4 4 5 5 es correcto.
7
2 3
D
TAREA: Hallar [f ]B2 y comprobar que las siguientes matrices son correctas.
2 3 2 3
1 2 13 6
C C 1 2
[f ]B31 = [f ]C32 AC
B1
2
=4 3 0 5 =4 3 6 5
6 2
1 1 7 4
2 32 3 2 3
4 3 1 13 6 36 2
D C
[f ]B1 = AD 3
C3 [f ]B1 =4 3 2 1 54 3 6 5 = 4 26 2 5
3 29
2 2 1 7 4 2 1
D
[f ]B2
El Espacio Vectorial Homk (V; W ) y el Espacio vectorial dual.
Proposición. Sean V y W k espacios vectoriales …nitamente generados con

dimk V = n y dimk W = m: Entonces
0. V ' W son espacios vectoriales isomorfos si y sólo si existe f : V ! W

isomor…smo si y sólo si n = m:
1. Homk (V; W ) = ff : V ! W ; f función k linealg es k espacio vector-
ial …nitamente generado. Más aún, dimk Homk (V; W ) = nm:
Sean BV = fv1 ; :::; vn g y BW = fw1 ; :::; wm g bases de V y W respectiva-
mente. Entonces la siguente es base de Homk (V; W ):
f ij : V ! W ; i = 1; :::; n y j = 1; :::; mg donde basta de…nir cada ij en la
base BV :
ij : V ! W
wj si h = i
vh 7 !
0W si h =
6 i
2. El espacio dual. V ' V := Homk (V; k):

3. El espacio dual de k n :
Homk (k n ; k) ' M1 n (k) = a1 a2 an ; 8i = 1; :::; n; ai 2 k :
Es decir, toda función de k n a k es
a1 a2 an : 0 kn 1 ! k 0 1
x1 x1
B x2 C B x2 C Xn
B C B C
B .. C 7 ! a1 a2 an B .. C= ai xi
@ . A @ . A i=1
x4 x4
4. La traspuesta de…ne un isomor…smo
( )T : Mm n (k) ! Mn m (k)
A 7 ! AT
¿Cuál es el ker( )T ?
Ejemplos:
a. k 6 ' M3 2 (k):
Por ejemplo, la siguiente función es un isomor…smo.
f : 0 k6 1 ! M3 2 (k)
a
B b C 2 3
B C a d
B c C
B C 7 ! 4 b e 5
B d C
B C c f
@ e A
f
b. El k espacio vectorial de los polinomios en x de grado menor o igual a 5;

P = ax5 + bx4 + cx3 + dx2 + ex + f ; a; b; c; d; e; f 2 k es isomorfo a k 6 :
5 [x]
c. Sean k = R y n = 2:
Sea A = 1 1 2 HomR (R2 ; R):
1 1 : R2 ! R
Entonces x
7 ! x y
y
1
Dibujar el ker A y el vector :
1
¿A qué les suena? :)
Algunas propiedades del Espacio Vectorial Dual.
5. Proposición. Sea f : V ! W función k lineal. Entonces f de…ne una

función k lineal f : W ! V de la siguiente manera
f : W ! V
g
W !k 7 ! g f :V !k
f es la función composición con f:
Entonces
5.1. f es k lineal.
Ahora vean esto:

5.2. f es monomor…smo si y sólo si f + es epimor…smo.
5.3. f es epimor…smo si y sólo si f + es monomor…smo.
5.4. f es isomor…smo si y sólo si f + es isomor…smo.
DETERMINANTES. 8 0 1 9
>
< a11 a12 >
=
B .. C ; 8i; j = 1; :::; n; a 2 R
Denotemos por Mn (R) = A = @ ... ..
. . A ij
>
: >
;
an1 ann
al conjunto de las matrices de n n (con sus operaciones usuales).
Sea A 2 Mn (R), denotaremos por det A al determinante de A que se
de…nirá de la siguiente manera:
1. A = (a) 2 M1 (R)
det(A) := a
a b
2. A = 2 M2 (R)
c d
det A := ad bc
0 1
a11 a12 a13
3. A = @ a21 a22 a23 A 2 M3 (R)
a31 a32 a33
0 1
+ +
B a11 a12 a13 C
det A = det B
@ a21 a22
C :=
a23 A
a31 a32 a33
a22 a23 a21 a23 a21 a22
= a11 det a12 det + det =
a32 a33 a31 a33 a31 a32
= a11 a22 a33 a11 a23 a32 a12 a21 a33 + a12 a31 a23 + a21 a13 a32 a13 a22 a31
0 1
a11 a1n
B .. .. .. C 2 M (R)
4. A = @ . . . A n
an1 ann
El método recursivo para de…nir el determinante de una matriz de n n es

el siguiente:
0 1
+ +
B a11 a12 a13 a1n C
B C
B .. .. .. C
@ . . . A
an1 an2 an3 ann
De…nimos como A(m) a la matriz de (n 1) (n 1) que resulta de A al

quitarle su m-ésima0 columna y el primer 1 renglón.
a31 a33 a3n
B .. C
Ejemplo: A(2) = @ ... ..
. . A
an1 an3 ann
+ si m es impar
Y 8m = 1; :::; n de…nimos (m) =
si m es par
El determinante de A;
det A := a11 det (1) det A(1) + a12 (2) det A(2) + + a1m (m) det A(m) +
(n)
+ a1n (n) det A :
0 1
a11 a12 a13 a14
B a21 a22 a23 a24 C
Ejemplo: A = B C
@ a31 a32 a33 a34 A : Entonces,
a41 a42 a43 a44
det A =0 1 0 1
a22 a23 a24 a21 a23 a24
a11 det @ a32 a33 a34 A a12 det @ a31 a33 a34 A +
a a43 a44 a a43 a44
0 42 1 0 41 1
a21 a22 a24 a22 a23 a24
+a13 det @ a31 a32 a34 A a14 det @ a32 a33 a34 A
a41 a42 a44 a42 a43 a44
Tarea: Dar la fórmula del determinante de una matriz de 4 4:
El n-volumen.
Diremos que una …gura P en Rn tiene n volumen distinto de 0, si
9r > 0; 9v 2 Rn tal que la bola con centro en v y radio r, Br (v); está contenida
en P:
Es decir, P Rn tiene n volumen distinto de 0, si 9r > 0; 9v 2 Rn ,

Br (v) P: 0 1
a11 a1n
B .. C 2 M (R): El valor absoluto del determinante
Sea A = @ ... ..
. . A n
an1 ann
de A nos da el n volumen del paralelepípedo formado por
Ejemplos:
1. jdet(a)j = jaj es la distancia que hay del 0 a a en la recta real. En otras
palabras es la longitud del intervalo entre 0 y :
a b
2. det = jad bcj es el 2 volumen = área del paralelogramo en
c d
R2 cuyo conjunto de vértices son f(0; 0); (a; c); (b; d); (a + b; c + d)g
a11 a12 a13

3. det a21 a22 a23 es el 3 volumen = volumen del paralelepípedo en
a31 a32 a33
R3 cuyo conjunto de vértices son
f(0; 0; 0); (a11 ; a21 ; a31 ); (a12 ; a22 ; a32 ); (a13 ; a23 ; a33 ); (a11 +a12 ; a21 +a22 ; a31 +
a32 ); (a11 + a13 ; a21 + a23 ; a31 + a33 ); (a12 + a13 ; a22 + a23 ; a32 + a33 ); (a11 + a12 +
a13 ; a21 + a22 + a23 ; a31 + a32 + a33 )
4. Denotemos
0 por Cm a la columna1m ésima de A; entonces
C1 C2 C3 Cn
B a11 a12 a13 a1n C
B C
det B . .. .. C es el n volumen del n paralelepípedo
@ .. . . A
an1 an2 an3 ann
conjunto de
[ vértices [ [ [ [
0 fCm1 +Cm2 g fCm1 +Cm2 + +Cmi g fC1 +
m1 <m2 m1 <m2 < <mi
C2 + + Cn g
DEFINICIONES EQUIVALENTES DEL DETERMINANTE.

La de…nición recursiva anterior usa al primer renglón de A para dar la
fórmula del determinante de A, pero se puede usar culaquier otro renglón y
cualquier columna de la matriz. A saber,
0 1
a11 a1n
B .. C 2 M (R): Entonces 8i; h = 1; :::; n;
Sea A = @ ... ..
. . A n
an1 ann
n
X n
X
det A = aij ( 1)i+j det A(ij) = ajh ( 1)j+h det A(jh)
j=1 j=1
donde A(ij) denota la matriz de (n 1) (n 1) que resulta de quitar el

renglón i ésimo y la columna j ésima de A:
PROPIEDADES. Sean A; B 2 Mn (R): Entonces
i) A es invertible si y sólo si det A 6= 0:
ii) det(AB) = det A det B: Es decir, det : Mn (R) ! R es una función (oper-
ador) multiplicativo.
iii) Corolario. Si A es una matriz invertible entonces det A 1 = det1 A
iv) De…nición. Sea A = (aij )i;j=i;:::;n ; La matriz traspuesta (o transpuesta)
de A; denotada por AT es la matriz cuya cordenada ij-ésima es aji ; la coorde-
nada ji ésima de A:
1 2 1 3
Ejemplo: Sea A = . Entonces AT = :
3 4 2 4
Además, det A = det AT : 2 3

d1 0
6 .. 7
v) Sea D = diag(d1 ; :::; dn ) := 4 . 5 una matriz diagonal, es
0 dn
decir, toda coordenada de D fuera de la diagonal principal es 0:
Yn
Entonces det D = di :
i=1
2 3
a11 a1n
6 .. .. 7 una
vi) Sea T = 4 . . 5 matriz triangular superior (es decir,
0 ann
2 3
a11 0
6 .. . . 7
8i < j; aij = 0) o T = 4 . . 5 una matriz triangular inferior (es
an1 ann
decir, 8i > j; aij = 0): Entonces
Y n
det T = aii :
i=1
vii) Si A tiene una columna o renglón de puros 0´s, entonces det A = 0:

viii) det( A) = n det A para toda 2 R.
ix) El det no es un operador aditivo. Es decir, hay ejemplos de matrices A
y B tales que det(A + B) 6= det A + det B: Dar ejemplos.
Pero sí es una función continua:
det : Mn (R) ! R
A 7 ! det A
x) Sea A matriz y denotamos por A[i; j] con i 6= j y permutamos la columna

i-ésima con la columna j-ésima (resp. el renglón i-ésimo con el renglón j ésimo)
entonces det A[i; j] = det A:
Tarea. Demostrar estas propiedades para matrices de 2 2y3 3:
Valores propios y vectores propios
Sea A 2 Mn (k) una matriz cuadrada de n n y denotamos también por

A : k n ! k n a su función k lineal asociada.
Lo primero que en Matemáticas nos preguntamos es si A es una función
continua (por ejemplo, como en el caso de k el campoo de los números reales o
complejos).
Y la siguiente pregunta que usualmente se hace para conocer a la función
son los llamados puntos …jos (es decir, Ax = x).
En Álgebra Lineal la teoría del punto …jo (en funciones) se convierte en la

Teoría Espectral de Matrices o la teoría de los valores propios y los
vectores propios de matrices: Es decir, no tenemos que pedir algo tan fuerte
como puntos …jos, sino que trabajaremos con "líneas …jas".
De…nición. Sean k campo y A 2 Mn (k) una matriz cuadrada de n n con

A : k n ! k n a su función k lineal asociada. Diremos que 2 k si existe un
vector 0 6= v 2 k n tal que Av = v: En este caso, a v lo llamaremos un vector
propio o eigenvector de A y a lo llamaremos valor propio o eigenvalor
de A.
Ejemplos:
1. Sea 1kn la matriz identidad de k n : Entonces todo vector distinto de cero,
0 6= v 2 k n se cumple que 1kn v = v = 1k v:
Por lo tanto, 1k es valor propio de 1kn y todo vector 0 6= v 2 k n es vector
propio con valor propio 1k :
n
2. Sea 0kkn la función constante cte0 de k n en k n (es decir la matriz de puros
ceros). Entonces todo vector distinto de cero, 0 6= v 2 k n se cumple que
n
0kkn v = 0 = 0k v:
n
Por lo tanto, el 0k es valor propio de 0kkn y todo vector 0 6= v 2 k n es vector
propio con valor propio 0k :
3. Sea A 2 Mn (k) y supongamos que A no es monomor…smos. Es decir,

ker A 6= f0g:
Entonces 8v 2 (ker A) nf0g; Av = 0k v:
Es decir, 8v 2 (ker A) nf0g; v es vector propio de A con valor propio 0k :
Lema. Sean A 2 Mn (k) y 2 k. Entonces

es valor propio de A () 9v 2 k n nf0g; Av = v
() 9v 2 k n nf0g; Av v=0
() ker( In A) 6= f0g
() In A no es mono
() In A no es iso
m atriz cuadrada

Más aún, si k = R ó C entonces
es valor propio de A () det( In A) = 0 :
Observación. Sean A 2 Mn (k), 2 k y v 6= 0 tales que Av = v: Entonces

8 2 knf0g; v también es vector propio de A con valor propio :
f0g si = 0
Más aún, A (hfvgi) = :
hfvgi si 6= 0
Demostración: A( v) = A(v) = ( v) = ( v):

A lineal Av= v
De…nición.
Sea A 2 Mn (k) una matriz cuadrada de n n y A : k n ! k n a su función
k lineal asociada. Diremos que un vector 0 6= v 2 k n es un vector propio o
eingenvector de A si existe un escalar 2 k tal que Av = v: En este caso a
lo llamaremos valor propio o eigenvalor de A.
De…nición. Al conjunto de los valores propios de A se le llama el espectro de

A:
Más ejemplos. Sea k = R ó C el campo de los números reales o el de los

números complejos.
4. La matriz rotación en R2 con ángulo 2 = f0; ; 2 g NO tiene valores propios
(reales).
Dibújenlo con un ángulo en particular y cerciorense de esto geométricamente.
Quiero, por favor, que primero tengan la certeza geométrica de esto. Después
vemos la demostración.
cos sen
A= : Denotaremos por sin = sen (por cuestiones com-
sen cos
putacionales).
x 0 x x
PD. Sea 2 R2 n tal que A = : Entonces 2
y 0 y y
f0; ; 2 g:
x 0 x x
Sea 2 R2 n tal que A = :
y 0 y y
PD. 2 f0; ; 2 g:
x 0
Como 6= :
y 0
Caso 1. x 6= 0:
x x cos sin x x cos y sin
=A = =
y y sin cos y y cos + x sin

si y sólo si
x = x cos y sin y y = y cos + x sin

si y sólo si ( x 6= 0)
y y y
= cos x sin y x = x cos + sin
si y sólo si
y
x = xy cos + sin = xy cos y
x sin
si y sólo si
(1 + xy ) sin = 0
si y sólo si
(x = y) ó sin = 0
x cos sin y
si y sólo si pues =
y sin cos y
si y sólo si
= 0; 2 ó :X
TAREA. Hacer caso2. y 6= 0:
5. La matriz rotación en C2 con ángulo SIEMPRE tiene valores propios.

Después será muy clara esta a…rmación. Por lo pronto, tómense la matriz
0 1
2 M2 (C):
1 0
0 1
Encontrar vectores propios de cuyos valores propios son i e i;
1 0
respectivamente.
Recuerden que multiplicación en los complejos incluye rotación.
De…nición-proposición. Sea k = R ó C el campo de los números reales o el

de los números complejos.
Sea A 2 Mn (k) una matriz cuadrada de n n y A : k n ! k n a su función
k lineal asociada. Denotamos por pA (x) := det(xIn A) 2 k[x] polinomio de
grado n en la variable x con coe…cientes en k: A pA (x) se le llama el polinomio
característico de A: Además, por lema anterior, tenemos que
2 k es valor propio de A si y sólo si pA ( ) = 0:
Recordemos el
Teorema Fundamental del Álgebra. Sea p(x) 2 C[x] polinomio en x con
coe…cientes complejos. Entonces existen 1 ; :::; n 2 C tales que p(x) = (x
1) (x n ):
Corolario. Sean k = C el campo de los números complejos y A 2 Mn (C) una

matriz compleja. Entonces, A tiene SIEMPRE valores propios y tiene a lo más
n valores propios.

Matrices Especiales.
2 3
d1 0
6 .. 7
1. Matrices diagonales. Sea D = diag(d1 ; :::; dn ) := 4 . 5 una
0 dn
matriz diagonal, es decir, toda coordenada de D fuera de la diagonal principal
es 0:
Yn n
Y
Entonces det D = di y pD (x) = (x di ):
i=1 i=1
2 3
a11
a1n
6 .. .. 7 una matriz triangu-
2. Matrices triangulares. Sea T = 4 . . 5
0 ann
2 3
a11 0
6 7
lar superior (es decir, 8i < j; aij = 0) o T = 4 ... ..
. 5 una matriz
an1 ann
triangular inferior (es decir, 8i > j; aij = 0): Entonces
Yn n
Y
det T = aii y pT (x) = (x aii ):
i=1 i=1
3. Matrices conjugadas.
De…nición-Proposición. Sean A; Q 2 Mn (k) donde Q es invertible. A la
matriz Q 1 AQ 2 Mn (k) se le llama matriz conjugada de A:
3.1. det A = det Q 1 AQ y pA (x) = pQ 1 AQ (x):

3.2. 9B base de k n tal que Q 1 AQ = [A]B B:
3.3. La siguiente es una relación de equivalencia en Mn (k) :
1
8A; M 2 Mn (k), diremos que A M si y sólo si 9Q 2 Mn (k),M = Q AQ:
3.4. Sea k = R el campo de los números reales. Dar las siguientes clases de
equivalencia en M2 (R)
0 0 1 0 0 1 1 2
; y algunos elementos de las siguientes: ; :
0 0 0 1 0 0 3 4
De…nición. Sea A 2 Mn (k), diremos que A es diagonalizable si existe Q 2

Mn (k) invertible tal que Q 1 AQ es matriz diagonal.
0 1
4. Demostrar que la matriz no es diagonalizable.
0 0
a b
5. Sea A = 2 M2 (R) tal que tiene dos valores propios distintos.
c d
Entonces A es diagonalizable.

Ejercicios de polinomios característicos, valores y vectores propios
y cambios de base.
Tarea. Hagan lo más que puedan.

1. Demostrar
2 por inducción/n
3 que el determinante de una matriz diagonal
d1 0 0
6 .. 7
6 0 ... ... . 7
n
Y
D = 6 6 . .
7 es
7 det D = di y por lo tanto, su polinomio
4 .. .. ... 0 5 i=1
0 0 dn
Yn
característico es pD (x) = (x di ):
i=1
Más aún, la base ordenada canónica es una base de vectores propios de

D : 8i = 1; :::; n; Dei = di ei :
2. Demostrar por inducción/n que el determinante 2 de toda matriz triangular

3
a11 a12 a1n
6 0 a22 a2n 7
6 7
superior y/o triangular inferior de tamaño n n; T = 6 . . .. .. 7 ;
4 .. .. . . 5
0 0 ann
n
Y
es det T = aii :
i=1
n
Y
Por lo tanto, pT (x) = (x aii ):
i=1
2.1. Aquí lo único que podemos a…rmar es que e1 es vector propio de T con
valor propio a11 :
2 1
Por ejemplo, como vimos en clase, la matriz tiene como vectores
0 2
propios únicamente vectores de la forma con 2 R.
0
3. Sean A; Q 2 Mn (k) tales que Q es invertible. Entonces

3.1. det A = det Q 1 AQ:
3.2. pA (x) = pQ 1 AQ (x):
4. De…niciones-Proposición. Sean A; M 2 Mn (k) matrices de n n:

4.1. Diremos que A y M son matrices equivalentes si existe Q 2 Mn (k)
matriz invertible tal que A = Q 1 M Q
4.2. Este nombre viene de la siguiente relación de equivalencia en Mn (k) :

Sean A; M 2 Mn (k); A M :() 9Q 2 Mn (k) matriz invertible tal que
A = Q 1 M Q:
TAREA. Demostrar que es una relación de equivalencia.
4.3. Por (3), si A M entonces det A = det M y pA (x) = pM (x):

4.4. De…nición. Sea A 2 Mn (k): Diremos que A es una matriz diagonal-
izable si existe D 2 Mn (k) matriz diagonal tal que A D: Es decir, si existe
Q 2 Mn (k) satisfaciendo que Q 1 AQ = D).
4.3. Sea A 2 Mn (k). Entonces

A es diagonalizable si y sólo si 9B = (v1 ; :::; vn ) base de k n tal que 8i =
1; :::; n; vi es vector propio de A:
Más 2 aún, Si Avi = i3vi entonces
1 0
6 . .. 7
A 4 5:
0 n
5. Observaciones.
5.1. Sean A; P 2 Mn (k) tales que P es una matriz de pernutación. Entonces
P 1 AP resulta permutando los mismos renglones y columnas de A:
5.2. Sean P 2 Mn (k) una matriz invertible, P 1 su inversa. Es decir, P P 1 =
P 1 P = In la matriz identidad de n n: 2 3
r1
Sean P = v1 vn donde vi es su i ésima columna y P 1 = 4 5
rn
donde ri es su i ésimo renglón.
2 3
2 3 r1 v1 r1 v2 r1 vn 1 r1 vn
1 0 6 r2 v1 r2 v2 r2 vn r2 vn 7
6 1 7
6 .. 7 1 6 .. .. .. .. .. 7
Como 4 . 5=P P =6 . . . . . 7;
6 7
0 1 4 rn 1 v1 rn 1 v2 rn 1 vn 1 rn 1 vn 5
rn v1 rn v2 rn vn 1 rn vn
entonces
8i 6= j; ri vj = 0 y 8i; ri vi = 1:
6. Proposición. Sea P 2 Mn (k) matriz invertible. Como sabemos, P manda

bases en bases. Entonces
B0 B
8B base de k n ; 9!B 0 ; B 00 base ordenada de k n tal que P = [In ]B y P = [In ]B 00
matrices de cambio de bases.
1
B B0
NOTA: Recuerden que [In ]B 0 = [In ]B :

B0
Y que si B = (v1 ; :::; vn ) y B 0 = (v10 ; :::; vn0 ) son bases de k n ; entonces [In ]B :
B0
(v)B 7 ! (v)B 0 ; para todo v 2 k n y ( )B 0 = [In ]B ( )B :
B0
Además sabemos que [In ]B = [(v1 )B 0 (vn )B 0 ] :q

Más ejemplos importantes de espacios vectoriales.
Producto directo, Producto directo interno y Suma directa
TODO ESTO (SALVO LAS PROPIEDADES UNIVERSALES DEL PRO-

DUCTO DIRECTO Y SUMA DIRECTA LAS HICIMOS EN CLASE).
1.1. Ya lo demostramos en clase, pero si no lo recuerdan: Demostrar que

(V W; +; ) es un k-espacio vectorial, llamado el producto directo de V y
W , si:
V W = f(v; w); v 2 V , w 2 W g:
Suma: (v; w) + (v 0 ; w0 ) := (v +V v 0 ; w +W w0 ) para todos (v; w); (v 0 ; w0 ) 2
V W:
Producto por escalares: (v; w) := ( V v; W w) para todos 2 k y
(v; w) 2 V W:
1.2. Supongamos que dimk V = n y dimk W = m. Demostrar que dimk V

W = n + m.
1.3. Demostrar que las proyecciones (canónicas)
V : V W ! V W : V W ! W
y son k-lineales.
(v; w) 7! v (v; w) 7 ! w
1.4. Propiedad Universal del Producto Directo: Demostrar que (V

W; V ; W ) cumplen lo siguiente:
Demostrar que 8U k espacio vectorial y 8(f : U ! V; g : U ! W ) pareja
(f; g) : U ! V W
de funciones k-lineales, 9! k-lineal tal que el
u 7 ! (f (u); g(u))
siguiente diagrama conmuta (i.e., V (f; g) = f y W (f; g) = g):
V W
V V W ! W
f - 9! "(f;g) %g
U
Esta propiedad universal caracteriza al Producto Directo (V

W; V ; W ): Es decir,
8(Z; pV : Z ! V; pV : Z ! W ) tal que 8U k espacio vectorial y 8(f :

U ! V; g : U ! W ) pareja de funciones k-lineales, 9!e
h : U ! Z k-lineal tal
que pV e h = f y pW h = g: Entonces
1
9 : V W ! Z isomor…smo, pV = V y pW = W (y V = pV
1
y W = p W ).
1.5. Demostrar, usando la propiedad universal del producto directo, los
siguientes:
Hint: Por ejemplo, demostrando que también tiene la propiedad universal
del producto directo.
1.5.1. V W ' W V: Es decir, existe : V W ! W V función
k-lineal que sea un isomor…smo.
1.5.2. V f0g ' V:
1.5.3. Sean V; W U k-subespacios de U tales que V + W = U y V \ W =
f0g: Demostrar que U ' V W:
1.5.4. Rn+1 ' Rn R:
2. Sean V; U y W k espacios vectoriales, donde W V y U V son

k subespacios vectoriales de V …nitamente generado. Entonces sabemos que U
y W son también …nitamente generados, digamos que dimk V = n, dimk W = m
y dimk U = t: Demostrar
2.1. Ya lo demostramos pero si no se acuerdan, demostrarlo: hU [ W i =

U + W := fu + w 2 V ; u 2 U y w 2 W g
TAREA. 2.2. dimk U +W = dimk U +dimk W dimk U \W: (Hint: Tomen

una base de U \ W y extiéndala a una base de W y respectivamente, a una base
de U ).
*80 1 0 19+
< 1 1 =
2.3. En R3 , dibujar los subespacios vectoriales W = @ 4 A;@ 3 A
: ;
0 1
*80 1 0 19+
< 1 0 =
yU = @ 0 A;@ 1 A : Por (2.2), W \ U 6= 0 ; hallarla. Más aún,
: ;
0 0
sabemos que tiene que ser de dimensión 1:
*80 19+
< 1 =
De hecho, W \ U = @ 4 A :
: ;
0
TAREA. 3. Sean V y W k espacios vectoriales, donde W V; W es k subespacio

vectorial de V , ambos …nitamente generados con dimk V = n y dimk W = m <
n: Entonces existe U V tal que U + W = hU [ W i = V , U \ W = f0g y por
lo tanto, dimk U = n m:
(Hint. Sea BW base de W: Entonces BW es linealmente independiente en V
y la extendemos a una base BV = BW [ Y: De…nimos U = hY i).
3.1. Hacer un ejemplo en R3 :
3.2. De…nición-Lema. Sea V un k espacio vectorial y U; W V subespacios

vectoriales de V; tales que V = U + W y U \ W = f0g; entonces diremos que V
es el producto directo interno de U y W:
En este caso, se cumple que 8v 2 V; 9!u 2 U 9!w 2 W; v = u + w:
3.3. Demostrar que la siguiente es función (de conjuntos), es k lineal y es un

isomor…smo:
: V ! U W
v 7 ! (u; w) u y w de (3.2)
4. De…niciones-Lema. Sea fVj gj2J una colección de k espacios vectoriales,

donde J es un conjunto.
Y n o
4.1. De…namos Vj := (xj )j2J ; xj 2 Vj , para todo j 2 J es un k espacio
j2J
vectorial y lo llamaremos el producto directo de fVj gj2J :
M G n o
4.2. De…namos Vj := Vj := (xj )j2J ; 9Y J subconjunto …nito,xj = 0k para todo j 2 J Y
j2J j2J
es un k espacio vectorial y lo llamaremos la suma directa o coproducto di-
recto de fVj gj2J :
G Y
4.3. Más aún, Vj es k subespacio vectorial de Vj :
j2J j2J
G Y
4.4. Y si J es un conjunto …nito, entonces Vj = Vj :
j2J j2J
5. Propiedad Universal del Producto Directo. Sean fVj gj2J una colec-
Y n o
ción de k espacios vectoriales, donde J es un conjunto y Vj := (xj )j2J ; xj 2 Vj , para todo j 2 J
j2J
el producto directo de fVj gj2J : Entonces
Y
5.1. 8h 2 J; de…namos la proyección h : Vj ! Vh que es k lineal y epi:
j2J
Y
h : Vj ! Vh
j2J
(xj )j2J 7 ! xh
0 1
Y
5.2. Propiedad Universal del Producto Directo @ Vj ; f j gj2J
A:
j2J
Y
8U k espacio vectorial,8 ffj : U ! Vj , k linealgj2J ,9!fe : U ! Vj
j2J
tal que 8j 2 J; j fe = fj :
6. Propiedad Universal de la Suma Directa (o Coproducto Directo).

Sean fVj gj2J una colección de k espacios vectoriales, donde J es un conjunto y
M G n o
Vj := Vj := (xj )j2J ; 9Y J subconjunto …nito,xj = 0k para todo j 2 J Y
j2J j2J
la suma directa o coproducto directo de fVj gj2J :
M
6.1. 8h 2 J; de…namos la inclusión canónica h : Vh ! Vj que es
j2J
k lineal y mono:
M
h : Vh ! Vj
j2J
xh si j = h
xh 7 ! (zj )j2J donde zj :=
0 si j 6= h
6.2. Propiedad1Universal de la Suma Directa o Coproducto Directo

0
M
@ Vj ; j j2J A :
j2J
M
8U k espacio vectorial,8 fgj Vj ! U , k linealgj2J ,9!e
g : Vj ! U
j2J
tal que 8j 2 J; ge j = gj ::
Observaciones y Ejercicios importantes.
1. TODO lo que hemos hecho en este curso en matrices como funciones lineales
fue multiplicando vectores por la derecha de las matrices, Av; se puede hacer y
los resultados son los mismos multiplicando los vectores por la izquierda de las
matrices. Aquí depende de los gustos y también de las necesidades en el trabajo
que estén realizando.
2. Pero también es cierto que si …jamos la multiplicación de vectores con ma-

trices por la derecha de la matriz (resp. por la izquierda de la matriz) sabemos
cómo se comporta una matriz A 2 Mm n (k) dada en ambas multiplicaciones,
por medio de la matriz traspuesta (o transpuesta) de A; AT : Ejemplo:
1 3 4
Sean k = R y A = : R3 ! R2 si multiplicamos los vectores
7 2 3
por la 0
derecha
1 de A: 0 1
x x
1 3 4 x + 3y 4z
A@ y A = @ y A=
7 2 3 7x 2y + 3z
z z
Pero, si multiplicamos por la izquierda a A; nos da una función de R2 a R3 :
1 3 4
(*): u v = u + 7v 3u 2v 3v 4u
7 2 3
3 2
1 7
AHORA TOMEMOS la traspuesta (o transpuesta) de A; AT = 4 3 2 5:
4 3
R 2 ! R3
2 3 0 1
1 7 u + 7v
u u
AT =4 3 2 5 = @ 3u 2v A que es la misma función
v v
4 3 3v 4u
que (*) salvo trasposiciones (o transposiciones).
Ejercicios.
3. Sean N 2 Mm n (k) y M 2 Mt m (k): Entonces (M N )T = N T M T :

Demostración.
Como M N 2 Mt n (k); entonces (M N )T 2 Mn t (k)
Sean i 2 f1; :::; ng y j 2 f1; :::; tg: Entonces

m
X
(M N )Tij = (M N )ji = Mjh Nhi
h=1
y
m
X m
X m
X
NT MT ij
= T
Nih T
Mhj = Nhi Mjh = Mjh Nhi
h=1 h=1 h=1
Por lo tanto, (M N )Tij = N T M T ij

para todas i 2 f1; :::; ng y j 2 f1; :::; tg:
Por lo tanto, (M N )T = N T M T :
4. Sea A 2 Mn (k) un isomor…smo. Entonces

4.1. AT es un isomor…smo y (A 1 )T = (AT ) 1
:
4.2. Corolario. A es un isomor…smo si y sólo si AT es un isomor…smo.
Demostración. Sean A 2 Mn (k) un isomor…smo y A 1 su inversa.

Observemos que si In es la identidad entonces InT = In :
1 T
4.1. Por (3), (A ) AT = (AA 1 T
) = InT = In y AT (A 1 T
) = (A 1
A)T =
(3) (3)
InT = In :
Por lo tanto, AT es un isomor…smo y por ser la inversa única, (A 1 T

) =
(A ) 1 :
T
4.2. Corolario. A 2 Mn (k) un isomor…smo si y sólo si AT es un isomor…smo:
4.3. En caso de que k = R ó C: Otra demostración de (4.2), sería utilizando

que det A = det AT :
5. Nota importante: Ahora fíjense, ¿qué pasa si ahora multiplicamos vectores

por el lado derecho y por el izquierdo? Un ejemplo muy importante es cuando
V = W y tomamos una matriz cuadrada A 2 Mm n (k): Esto nos da, lo que se
conoce como formas bilineales (en espacios …nitamente generados).
Sean V un k espacio vectorial …nitamente generado con dimk V = n y

A 2 Mn (k):
Sea ?A : V V ! k la siguiente función (de conjuntos):
?A : V V ! k
: Entonces
(w; v) ! wT Av
Fijemos v0 ; w0 2 V: Entonces las siguientes son funciones k lineales:
w0T A : V ! k ?Av0 : W ! k
y :
v ! w0T Av w ! wT Av0
TAREA. Demostrarlo.
Esto motiva la siguiente de…nición:
6. Formas bilineales.
6.1. De…nición. Sean k un campo, V un k espacio vectorial y F : V V ! k

una función (de conjuntos).:
Diremos que F es una forma bilineal (o k bilineal) si 8 2 k; 8v; v1 ; v2 2
V; temos que
a) F (v; v1 + v2 ) = F (v; v1 ) + F (v; v2 ):

b) F (v; v1 ) = F (v; v1 ):
c) F (v1 + v2 ; v) = F (v1 ; v) + F (v2 ; v):
d) F ( v1 ; v) = F (v1 ; v):
6.2. Ejemplo.
Sean k un campo, V un k espacio vectorial de dimensión n y A 2 Mn (k):
Entonces
?A : V V ! k
es una forma bilineal.
(w; v) ! wT Av
6.3. Ejemplo importante de (6.2). Sean k = R el campo de los números

reales, n 1 natural e In la matriz identidad. Entonces
?In: R n Rn ! R
es una forma bilineal que es el
(w; v) ! w T In v = w T v
producto escalar que ya conocen y que da la norma usual en Rn .
6.3. Ejemplo.
Sean k un campo, V un k espacio vectorial y f1 ; f2 : V ! k funciones
k lineales: Entonces
F : V V ! k
es una forma bilineal.
(w; v) ! f1 (w)f2 (v)
7. Teorema.
n n
0 Sean0 k un
1 campo, F 0: k1 1 k ! k una forma (k )bilineal y C =
1 0
B B 0 C B .. CC
B B C B . C C
Be1 = B .. C ; :::; en = B CC la base canónica ordenada de k n :
@ @ . A @0 A A
0 1
0 1
F (e1 ; e1 ) F (e1 ; en )
B .
.. . .. .. C
De…namos la matriz de n n; AF := @ . A cuya
F (en ; e1 ) F (en ; en )
coordenada ij ésima es F (ei ; ej ): Entonces
8w:v 2 k n ; F (w; v) = wT AF v:
1 0
0 1
w1 v1
B C B .. C 2 k n :
Demostración. Sean w = @ ... A :v = @ . A
wn vn
PD. F (w; v) = wT AF v:
0
1 0 1
w1 n v1 n
B C X B .. C = X v e : Entonces
Como w = @ ... A = wi ei y v = @ . A j j
wn i=1 vn j=1
0 1
n
X n
X n X
X n
F (w; v) = F @ wi ei ; vj e j A = wi vj F (ei ; ej )
F bilineal e inducción
i=1 j=1 i=1 j=1
.... (#)
Por otro lado,

0 10 1 0 10
F (e1 ; e1 ) F (e1 ; en ) v1 w1 F (e1 ; e1 ) w1 F (e1 ; en ) v1
B .. .. .. CB .. C = B .. .. .. CB ..
w1 wn @ . . . A@ . A @ . . . A@ .
F (en ; e1 ) F (en ; en ) vn wn F (en ; e1 ) wn F (en ; en ) vn
n
X n
X n X
X n
= w1 vj F (ei ; ej ) + + wn vj F (ei ; ej ) = wi vj F (ei ; ej ) =
(#)
j=1 j=1 i=1 j=1
F (w; v):
Ejercicios. Los que dejé de tarea están resueltos y dejé otros.
1. Sean V un k espacio vectorial de dimensión n y U; W V: Entonces
dim U + W = dim U + dim W dim U \ W:
Como V es …nitamente generado, entonces también lo son sus subespacios

vectoriales y como U \ W U y U \ W W; entonces
Tomemos BU \W = fx1 ; :::; xs g base de U \ W y por lo tanto BU \W es un
conjunto linealmente independiente en U y en W:
Extendemos BU \W a una base de W y respectivamente a una base de U :
BU = BU \W [ fus+1 ; :::um g base de U y BW = BU \W [ fws+1 ; :::wt g:
PD. BU \W [fus+1 ; :::um g[fws+1 ; :::wt g es base de U +W: Esto demostraría

que dimk U + W = dimk U + dimk W dimk U \ W:
1.1. PD. BU \W [ fus+1 ; :::um g [ fws+1 ; :::wt g = fx1 ; :::; xs g [ fus+1 ; :::um g [
fws+1 ; :::wt g es linealmente independiente.
s
X m
X t
X
Si i xi + j uj + h wh = 0 entonces
i=1 j=s+1 h=s+1
s
X m
X Xt
U3 i xi + j uj = h wh 2 W: Entonces
i=1 j=s+1 h=s+1
s
X m
X t
X t
X
i xi + j uj = h wh 2 U \ W: Entonces h wh =
i=1 j=s+1 h=s+1 h=s+1
s
X
i xi : Entonces
i=1
s
X m
X t
X s
X m
X
0= i xi + j uj + h wh = ( i i )xi + j uj :
i=1 j=s+1 h=s+1 i=1 j=s+1
Entonces por ser BU base de U;

8i = 1; :::; s; j = s + 1; :::; m; i i =0y j = 0: Entonces
Xs Xm X t s
X Xt
0= x
i i + u
j j + w
h h = x
i i + h wh : Y por ser
i=1 j=s+1 h=s+1 i=1 h=s+1
BW base de W;
8i = 1; :::; s; h = s + 1; :::; t; i = h = 0:
Por lo tanto, BU \W [fus+1 ; :::um g[fws+1 ; :::wt g es un conjunto linealmente

independiente.X
1.2. PD. hBU \W [ fus+1 ; :::um g [ fws+1 ; :::wt gi = U + W:
)X ¿por qué?
) PD. U + W hBU \W [ fus+1 ; :::um g [ fws+1 ; :::wt gi :

Sean u 2 U y w 2 W:
PD. u + w 2 hBU \W [ fus+1 ; :::um g [ fws+1 ; :::wt gi
0 0
Como u 2 U y w 2 W; entonces existen 1 ; :::; s; 1 ; :::; s; s+1 ; :::; m; s+1 ; :::; t 2
k tales que
s
X m
X s
X t
X
0
u= i xi + j uj y w = i xi + h wh : Entonces
i=1 j=s+1 i=1 h=s+1
s
X m
X t
X
u+w = ( i + 0i )xi + j uj + h wh 2 hBU \W [ fus+1 ; :::um g [ fws+1 ; :::wt gi
i=1 j=s+1 h=s+1
Por lo tanto, hBU \W [ fus+1 ; :::um g [ fws+1 ; :::wt gi = U + W:X
Por lo tanto BU \W [fus+1 ; :::um g[fws+1 ; :::wt g es base de U +W y dimk U +

W = dimk U + dimk W dimk U \ W:
2. Sean V un k espacio vectorial de dimensión n y W V: Entonces existe

U V tal que U + W = V y U \ W = f0g.
Demostración: Sea BW = fw1 ; :::; wm g base de W: Entonces BW es lineal-
mente independiente en V y podemos extenderla a una base de V; digamos
BV = BW [ fvm+1 ; :::; vn g base de V:
De…namos U := hfvm+1 ; :::; vn gi : Por lo tanto, BU := fvm+1 ; :::; vn g es base

de U:
Como BV = BW [ BU es base de V; tenemos que W + U = V: Y por el
ejercicio (1), sino háganlo a pie,
n = dimk V = dimk U + W = dimk U + dimk W dimk U \ W = m + (n
m) dimk U \ W = n dimk U \ W:
Por lo tanto, dimk U \ W = 0 y U \ W = f0g:

Por lo tanto, U + W = V y U \ W = f0g:
3. Sea V = fp(x) 2 R[x]; grado(p) 3g el espacio vectorial real de los poli-

nomios en x con coe…cientes reales de grado menor o igual que 3 y sea W =
f3x2 x 2; x3 + 8g : Encontrar U V tal que U + W = V y U \ W = f0g:
A U se le llama un subespacio complemento de W en V:
3.1. Mostrar con un ejemplo, dando V y W V donde W tenga al menos
dos complementos distintos.
4. Sea V = Rn R-espacio vectorial de dimensión n con < ; ? > el producto
escalar usual y W V:
De…nimos el complemento ortogonal (o el subespacio (vectorial) ortogonal a
W ), W ? := fv 2 V ; hv; wi = 0; 8w 2 W g:
4.1. V ? = f0g y f0g? = V:

4.2. W ? V:
4.3. W + W ? = V y W \ W ? = f0g:
2 1
5. Sean V = R2 y A = .
1 2
5.1. PD. ?A : V V ! R de…ne un producto escalar.

Demostración.
a) Conmutatividad.
2 1 a
x y = a (2x + y) + b (x + 2y)
1 2 b
2 1 x 2 1 a
a b = 2ax+bx+ya+2by = x y :X
1 2 y 1 2 b
a 2 1 a
b) 8 ; a b 0:
b 1 2 b
2 1 a
a b = 2a2 + 2ab + 2b2 = (a + b)2 + a2 + b2 0:X
1 2 b
2 1 a a 0
c) a b = 0 si y sólo si = :
1 2 b b 0
(=)X ¿por qué?
a 2 1 a
=)) Sea tal que a b = 0:
b 1 2 b
a 0
PD. = :
b 0
2 1 a
a b = (a + b)2 + a2 + b2 = 0:
1 2 b
Como cada sumando es mayor o igual a 0: Entonces
(a + b)2 = 0 y a2 = 0 y b2 = 0:
a 0
Por lo tanto, = :
b 0
5.2. A de…ne una norma.
s
a 2 1 a p
= a b = (a + b)2 + a2 + b2 :
b 1 2 b
0
Dibujar la bola de radio 1 con centro en :
0
2 1
6. Sean V = R2 y A = .
0 2
6.1. PD. ?A : V V ! R no es una forma bilineal conmutativa pero sí

cumple que
a a
8 ; a b A 0y
b b
a a 0
a b A = 0 si y sólo si = :
b b 0
1
2 2
6.2. PD. M = 1 de…ne un producto escalar, donde
2 2
a a a
8 ; a b A = a b M :
b b b

Álgebra Lineal - Todos Los Pdfs Unu - Compressed

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

Álgebra Lineal - Todos Los Pdfs Unu - Compressed

Cargado por

Copyright:

Formatos disponibles

Funciones Lineales Parte 1 3

Funciones Lineales Parte 2 12

Introducción: Cuando se tiene un objeto matemático, como los espacios vec-

Funciones Lineales Parte 1 3

Coloquialmente, se diría que f preserva las dos operaciones de espacios

Funciones Lineales Parte 1 4

Funciones Lineales Parte 1 5

1. La función identidad 1V es lineal.

ii) Como 1V ( V v) := V v =: V 1V (v):

Por lo tanto, 1V es lineal.

Funciones Lineales Parte 1 6

Funciones Lineales Parte 1 7

Demostración. Sean (V; +V ; V ), (W; +W ; W ) k-espacios vectoriales, w0 2

Supongamos que ctew0 es lineal.

Como ctew0 es lineal, entonces por (ii) para = 0k y v = 0V (o cualquier

w0 = ctew0 (0k V 0V ) = 0k W ctew0 (0V ) = 0W

Funciones Lineales Parte 1 8

tamaño m n con coe…cientes en k:

Ejmplo l Ejmplo : TAREA. DEMOSTRARLO.

Funciones Lineales Parte 1 9

4. Demostrar que las siguientes funciones son lineales:

Funciones Lineales Parte 1 10

5.1. Sea V W = f(v; w); v 2 V y w 2 W g el producto directo de V con W:

(a; b) + (c; d) := (a +V c; b +W d) y (a; b) := ( V a; W b):

PD. Las siguientes funciones, llamadas proyecciones, son lineales.

Observaciones. Sea f : V ! W función entre k-espacios vectoriales. Demostrar

Funciones Lineales Parte 1 11

De…nición: Sean (V; +V ; V ), (W; +W ; W ) k-espacios vectoriales y f : V ! W

Hoy veremos más ejemplos de funciones lineales y cómo se comportan.

Funciones Lineales Parte 2 12

2. Sean (V; +V ; V ), (W; +W ; W) k-espacios vectoriales. La función constante

Funciones Lineales Parte 2 13

tamaño m n con coe…cientes en k:

Funciones Lineales Parte 2 14

e) La traslación NO es lineal (salvo la traslación en 0; que es la identidad).

TAREA. Demostrar que trv no es lineal.

Funciones Lineales Parte 2 15

Funciones Lineales Parte 2 16

Una línea L que pasa por el 0V ; es un k-espacio vectorial, a saber: 9x 2 V

Ahora, como f es lineal, 8 2 k; f ( x) = f (x):

Funciones Lineales Parte 2 17

Recordemos que si x; y 2 V entonces la línea que pasa por x y y, Lx;y =

Entonces la imagen de Lx;y ; "f (Lx;y )" = ff ( x + (1 )y) 2 W ; 2

Funciones Lineales Parte 2 18

Recordemos. Sean (V; +V ; V ), (W; +W ; W ) k-espacios vectoriales y f : V ! W

El siguiente resultado, muestra que f preserva subespacios vec-

Funciones Lineales Parte 3 19

6. 8f : V ! W función lineal, 8 2 k; f : V ! W es también lineal, donde

7. Notación. Homk (V; W ) := ff ; f : V ! W función k-linealg denotará al

Funciones Lineales Parte 3 20

Funciones Lineales Parte 3 21

Como w; w0 2 Im f; entonces 9v; v 0 2 V , w = f (v) y w0 = f (v 0 ):

Como w 2 Im f; entonces 9v 2 V , w = f (v).

Por lo tanto, Im f es k-subespacio vectorial de W:

3.B. TAREA para entregar el viernes 27-marzo-2020. 8f : V ! W

Funciones Lineales Parte 3 22

Otra demostración: demostrar a pie que "f (U )" es k espacio vectorial de

Funciones Lineales Parte 3 23

Por lo tanto, f + g es lineal.X

Ejemplo (para …jar ideas):

Funciones Lineales Parte 3 24

Funciones Lineales Parte 3 25

Funciones Lineales Parte 3 26