05 Espacios Vectoriales y TL PDF

Espacios Vectoriales y Transformaciones Lineales Transformaciones Lineales Deniciones y conceptos basicos Subespacios Combinacion Lineal Espacio generado Independencia
rado Independencia lineal Base Dimension Rango, Nulidad e Imagen de una Matriz
Contenido:
1
Espacios Vectoriales y Transformaciones Lineales
Deniciones y conceptos basicos
Subespacios
Combinacion Lineal
Espacio generado
Independencia lineal
Base
Dimension
Rango, Nulidad e Imagen de una Matriz
AAL Espacios Vectoriales y T.L. 1/128
Espacios Vectoriales y Transformaciones Lineales Transformaciones Lineales Deniciones y conceptos basicos Subespacios Combinacion Lineal Espacio generado Independencia lineal Base Dimension Rango, Nulidad e Imagen de una Matriz
En esta unidad se generalizara el concepto de vector enunciando
un conjunto de axiomas que, si un conjunto de objetos hacen que
estos axiomas se cumplan, llamaremos a los elementos de este
conjunto vectores.
Estos axiomas se eligiran generalizando las propiedades mas
importantes de los vectores en R
n
, en consecuencia los vectores
en R
n
haran que se cumplan de manera automatica esos axiomas
Contenido:
1
Subespacios
Combinacion Lineal
Espacio generado
Base
Dimension
Denicion
Sea V un conjunto no vaco sobre el que estan denidas dos op-
eraciones (la suma vectorial y la multiplicacion escalar). Si los
siguientes axiomas se cumplen para todo u, v y w en V y todo
escalar
a
c y d, entonces V se denomina espacio vectorial y sus
elementos vectores:
Axiomas de cerradura
x u + v esta en V Cerradura bajo la suma
y cu esta en V . Cerradura bajo la multiplicacion
escalar
a
En este curso usaremos unicamente numeros reales como escalares, es
decir, estudiaremos Espacios vectoriales reales.
Denicion (Continuacion...)
Axiomas de adicion
z u + v = v + u Propiedad conmutativa
{ u + (v + w) = (u + v) + w Propiedad asociativa
| Existe un elemento en V , llamada el vector cero, denotado 0,
tal que u + 0 = u. Id entico aditivo
} Para todo u en V , existe un elemento en V llamado el negativo
de u, denotado u, tal que u + (u) = 0 Inverso aditivo
Axiomas de multiplicacion escalar
~ c (u + v) = cu + cv Propiedad distributiva
(c + d) u = cu + du Propiedad distributiva
c (du) = (cd) u Propiedad asociativa
1 (u) = u Identico escalar
Observacion
La denicion de espacio vectorial no especica la naturaleza

de los vectores ni las operaciones
Cualquier tipo de objeto puede ser un vector
Es posible que las operaciones de adicion y multiplicacion

escalar no guarden relacion o semejanza con las operaciones
vectoriales estandar sobre R
n
El unico requisito es que cumplan los 10 axiomas en la

denicion, utilizando las operaciones denidas sobre el
conjunto.
Observacion


n

conjunto.
Observacion


n

conjunto.
Observacion


n

conjunto.
Ejemplo
Consideremos el conjunto con un solo elemento V = {1}. Deter-
mine si el conjunto V es un espacio vectorial o no.
Solucion: Observe que no se cumple el axioma de cerradura bajo
la suma. Por ejemplo: 1+1 = 2 / V . Por lo tanto no es un espacio
vectorial.
Ejemplo
Consideremos el conjunto con un solo elemento V = {1}. Deter-
mine si el conjunto V es un espacio vectorial o no.
Soluci on: Observe que no se cumple el axioma de cerradura bajo
la suma. Por ejemplo: 1+1 = 2 / V . Por lo tanto no es un espacio
vectorial.
Ejemplo
El conjunto de puntos en R
2
que estan en una recta que pasa por
el origen constituye un espacio vectorial.
Solucion
Considere el conjunto denido de la siguiente manera
V =
__
x, y
_
| y = mx, donde m es un numero jo y x R
_
Para demostrar que V es un espacio vectorial, se verica que se
cumple cada uno de los axiomas. En este ejemplo solo se compro-
baran 4 de los 10 axiomas.
Ejemplo
2
que estan en una recta que pasa por
el origen constituye un espacio vectorial.
Solucion
Considere el conjunto denido de la siguiente manera
V =
__
x, y
_
| y = mx, donde m es un numero jo y x R
_
Para demostrar que V es un espacio vectorial, se verica que se
cumple cada uno de los axiomas. En este ejemplo solo se compro-
baran 4 de los 10 axiomas.
Solucion (Continuacion...)
i Suponga que x =
_
x
1
, y
1
_
y y =
_
x
2
, y
2
_
estan en V .
Entonces y
1
= mx
1
y y
2
= mx
2
, entonces
x + y =
_
x
1
, y
1
_
+
_
x
2
, y
2
_
=
_
x
1
, mx
1
_
+
_
x
2
, mx
2
_
=
_
x
1
+ x
2
, mx
1
+ mx
2
_
=
_
x
1
+ x
2
, m(x
1
+ x
2
)
_
V
Por lo tanto se cumple el axioma de cerradura bajo la suma.
i Suponga que c R y x =
_
x
1
, y
1
_
entonces
cx = c
_
x
1
, y
1
_
= c
_
x
1
, mx
1
_
=
_
cx
1
, cmx
1
_
=
_
cx
1
, m(cx
1
)
_
V
Por lo tanto se cumple el axioma de cerradura bajo la multi-
plicacion escalar.
i Considere al vector 0 =
_
0, m(0)
_
V . Entonces tomando
a x =
_
x
1
, mx
1
_
V se tiene
x + 0 =
_
x
1
, mx
1
_
+
_
0, m(0)
_
=
_
x
1
+ 0, mx
1
+ m(0)
_
=
_
x
1
, mx
1
_
= x
Por lo tanto se cumple con el axioma de identico aditivo.
i Suponga que x =
_
x, mx
_
V . Entonces
x =
_
x, y
_
=
_
x, mx
_
=
_
x, m(x)
_
de manera que x tambien pertenece a V y
x + (x) =
_
x, mx
_
+
_
x, m(x)
_
=
_
x x, m(x x)
_
=
_
0, 0
_
= 0
Por lo tanto se cumple el axioma de inverso aditivo
Ejemplo
2
que estan sobre una recta que no pasa
por el origen no constituye un espacio vectorial. Sea
V = {(x, y) : y = 2x + 1, x R}
Solucion
Suponga que x =(x
1
, y
1
) y y =(x
2
, y
2
) estan en V . Entonces
x + y =(x
1
, y
1
) + (x
2
, y
2
) = (x
1
+ x
2
, y
1
+ y
2
)
Si el vector del lado derecho estuviera en V , se tendra
y
1
+ y
2
= 2 (x
1
+ x
2
) + 1 = 2x
1
+ 2x
2
+ 1
Sin embargo y
1
= 2x
1
+ 1 y y
2
= 2x
2
+ 1 por lo que
y
1
+ y
2
= (2x
1
+ 1) + (2x
2
+ 1) = 2x
1
+ 2x
2
+ 2
Por lo tanto se concluye que
(x
1
+ x
2
, y
1
+ y
2
) / V
Ejemplo
Considere el conjunto polinomios con coecientes reales de grado
menor o igual a n. Llamemos a este conjunto P
n
. Si p P
n
entonces
p (x) = a
n
x
n
+ a
n1
x
n1
+ + a
1
x + a
0
donde cada a
i
es real.
Solucion
R
n+1
es un espacio vectorial, por lo que si se establece una forma
de representar a los elementos de P
n
como elementos de R
n+1
,
entonces P
n
tambien es un espacio vectorial.
Esta representacion se hara mostrando que se puede construir un
vector v R
n+1
a partir de un polinomi p P
n
. Sea
p (x) = a
n
x
n
+ a
n1
x
n1
+ + a
1
x + a
0
P
n
Construyamos el vector v con los coecientes de p, quedando
v =
_
a
n
, a
n1
, , a
1
, a
0
_
R
n+1
Se hace el mismo procedimiento para cada polinomio de P
n
y de
esta forma se muestra que podemos representar cada polinomio de
P
n
como vector de R
n+1
.
P
n
es un espacio vectorial
Ejemplo
Determine si el conjunto M
mn
, de matrices de mn es un espacio
vectorial.
Ejemplo
Considere el conjunto S
3
de matrices invertibles de 3 3. Re-
deniendo la operacion suma como
A B = AB
y con la multiplicacion escalar estandar. Determine si S
3
es un
espacio vectorial.
Solucion
i Axiomas de cerradura.
Cerradura bajo la suma Utilizando la operacion suma

denida para este conjunto tenemos que probar que
A B = AB S
3
AB es invertible si det(AB) = 0.
Como A, B S
3
det(A) = 0 y det(B) = 0
calculando det(AB) tenemos
det(AB) = det(A) det(B) = 0
por lo tanto AB S
3
y se cumple el axioma.
Solucion
Cerradura bajo la multiplicacion escalar Para que se

cumpla este axioma se tiene que cumplir que el producto
cA es una matriz invertible para cualquier valor de c.
Cuando c = 0, se tiene que
cA = 0
33
la cual no es una matriz invertible. Por lo tanto no se
cumple este axioma
En este momento observamos que S
3
no es un espacio
vectorial, sin embargo continuaremos con las pruebas de
los siguientes axiomas.
Solucion
Cerradura bajo la multiplicacion escalar Para que se

cumpla este axioma se tiene que cumplir que el producto
cA es una matriz invertible para cualquier valor de c.
Cuando c = 0, se tiene que
cA = 0
33
la cual no es una matriz invertible. Por lo tanto no se
cumple este axioma
En este momento observamos que S
3
no es un espacio
vectorial, sin embargo continuaremos con las pruebas de
los siguientes axiomas.
Solucion
i Axiomas de adicion.
Propiedad conmutativa En este axioma se tiene que

mostrar que
AB = BA
este axioma no se cumple ya que la multiplicacion de
matrices no es conmutativa.
Propiedad asociativa De acuerdo a la suma de este

conjunto para vericar este axioma tenemos que ver que
A(BC) = (AB) C
y se cumple debido a la propiedad asociativa de
multiplicacion de matrices
Solucion
i Identico aditivo
La matriz invertible que cumple con este
axioma es I
3
ya que
AI
3
= A
i Inverso aditivo Para este conjunto, observe que para una
matriz A S
3
, el inverso aditivo es A
1
debido a
AA
1
= I
3
Solucion
i Identico aditivo La matriz invertible que cumple con este
axioma es I
3
ya que
AI
3
= A
i Inverso aditivo
Para este conjunto, observe que para una
matriz A S
3
1
debido a
AA
1
= I
3
Solucion
i Identico aditivo La matriz invertible que cumple con este
axioma es I
3
ya que
AI
3
= A
i Inverso aditivo Para este conjunto, observe que para una
matriz A S
3
1
debido a
AA
1
= I
3
Solucion
i Axiomas de multiplicacion escalar
Propiedad distributiva Para vericar este axioma se

tiene que cumplir que
c (AB) = cAcB
Propiedad distributiva Para vericar este axioma se

debe cumplir lo siguiente
(c + d) A = (cA) (dA)
lo cual es claro que no se cumple.
Solucion
Propiedad asociativa De acuerdo con la propiedad

asociativa de la multiplicacion por un escalar se tiene que
c (dA) = (cd) A
por lo que el axioma se cumple.
Identico escalar Veamos que se cumple el axioma

1(A) =
_
1a
i j
=
_
a
i j
_
= A
Ejercicio
Determinar si los siguientes conjuntos son o no espacios vectoriales:
x El conjunto
V = {(x, y) | y 0}
bajo las operaciones
usuales.
y El conjunto de matrices di-
agonales de n n bajo las
siguientes operaciones
A B = AB
A = A
z El conjunto de vec-
tores en R
3
de la forma
_
x, x, x
_
bajo las opera-
ciones usuales.
{ El conjunto de matrices de
la forma
_
1
1
_
bajo las
operaciones usuales.
| El conjunto de polinomios
de grado n con termino
constante cero. Utilizando
las operaciones usuales.
Contenido:
1
Subespacios
Combinacion Lineal
Espacio generado
Base
Dimension
Denicion
Sea V un espacio vectorial y U un subconjunto no vaco de V . Si
U es un espacio vectorial bajo las operaciones de suma y multipli-
cacion escalar de V , entonces U es un subespacio de V .
Teorema
U es un subespacio si cumple los axiomas de cerradura bajo la suma
y multiplicacion escalar.
Denicion
Sea V un espacio vectorial y U un subconjunto no vaco de V . Si
U es un espacio vectorial bajo las operaciones de suma y multipli-
cacion escalar de V , entonces U es un subespacio de V .
Teorema
U es un subespacio si cumple los axiomas de cerradura bajo la suma
y multiplicacion escalar.
Ejemplo
Considere el subconjunto W de R
3
formado por los vectores de la
forma
_
a, a, b
_
. Determine si W es un subespacio de R
3
.
Solucion
Vericando los dos axiomas de cerradura tenemos que
_
a, a, b
_
+
_
c, c, d
_
=
_
a + c, a + c, b + d
_
k
_
a, a, b
_
=
_
ka, ka, kb
_
Debido a que se cumplen los dos axiomas de cerradura, entonces
W es un subespacio de R
3
.
Ejemplo
3
forma
_
a, a, b
_
3
.
Solucion
Vericando los dos axiomas de cerradura tenemos que
_
a, a, b
_
+
_
c, c, d
_
=
_
a + c, a + c, b + d
_
k
_
a, a, b
_
=
_
ka, ka, kb
_
Debido a que se cumplen los dos axiomas de cerradura, entonces
W es un subespacio de R
3
.
Ejemplo
3
forma
_
a, a
2
, b
_
3
.
Solucion
Vericando la cerradura bajo la suma tenemos que
_
a, a
2
, b
_
+
_
c, c
2
, d
_
=
_
a + c, a
2
+ c
2
, b + d
_
Por lo que W no cumple el axioma de cerradura bajo la suma y no
es un subespacio de R
3
.
Ejemplo
3
forma
_
a, a
2
, b
_
3
.
Solucion
_
a, a
2
, b
_
+
_
c, c
2
, d
_
=
_
a + c, a
2
+ c
2
, b + d
_
3
.
Ejemplo
3
forma
_
a, a
2
, b
_
3
.
Solucion
_
a, a
2
, b
_
+
_
c, c
2
, d
_
=
_
a + c, a
2
+ c
2
, b + d
_
3
.
Ejemplo
Pruebe que el conjunto U de matrices diagonales de 2 2 es un
subespacio de M
22
.
Solucion
Considere los siguientes dos elementos de U.
u =
_
a 0
0 b
_
y v =
_
p 0
0 q
_
Entonces
u + v =
_
a 0
0 b
_
+
_
p 0
0 q
_
=
_
a + p 0
0 b + q
_
por lo u + v U y se cumple la cerradura bajo la suma. Sea c un
escalar. Entonces
cu = c
_
a 0
0 b
_
=
_
ca 0
0 cb
_
cu es una matriz diagonal de 22 y entonces se cumple la cerradura
bajo la multiplicacion escalar. Concluimos que U es un subespacio
de M
22
.
Solucion
u =
_
a 0
0 b
_
y v =
_
p 0
0 q
_
Entonces
u + v =
_
a 0
0 b
_
+
_
p 0
0 q
_
=
_
a + p 0
0 b + q
_
escalar. Entonces
cu = c
_
a 0
0 b
_
=
_
ca 0
0 cb
_
de M
22
.
Solucion
u =
_
a 0
0 b
_
y v =
_
p 0
0 q
_
Entonces
u + v =
_
a 0
0 b
_
+
_
p 0
0 q
_
=
_
a + p 0
0 b + q
_
escalar. Entonces
cu = c
_
a 0
0 b
_
=
_
ca 0
0 cb
_
de M
22
.
Teorema
Sea U un subespacio de un espacio vectorial V . U contiene al vector
cero de V
Ejemplo
Sea W =
_
w R
3
| w =
_
a, a, a + 2
__
. Determine si W es un
subespacio de R
3
.
Solucion
Si W no contiene al vector cero de R
3
entonces no es un subespacio
de R
3
. Veamos si
_
0, 0, 0
_
W.
_
a, a, a + 2
_
=
_
0, 0, 0
_
entonces
a = 0
a = 0
a + 2 = 0
Como el sistema anterior no tiene solucion, el vector cero no esta en
W y por tanto no es un subespacio de R
3
.
Solucion
Si W no contiene al vector cero de R
3
entonces no es un subespacio
de R
3
. Veamos si
_
0, 0, 0
_
W.
_
a, a, a + 2
_
=
_
0, 0, 0
_
entonces
a = 0
a = 0
a + 2 = 0
Como el sistema anterior no tiene solucion, el vector cero no esta en
W y por tanto no es un subespacio de R
3
.
Ejemplo
Considere el espacio vectorial V = P
4
determine si H =
{p P
4
| p (0) = 1} es un subespacio de P
4
Solucion
Para que un polinomio pertenezca a H, tiene que cumplir que al
evaluarlo en 0 el resultado es 1. Vericando la cerradura bajo la
suma tenemos que si p (x) y q (x) estan en P
4
, entonces
p (x) + q (x) =
_
a
4
x
4
+ a
3
x
3
+ a
2
x
2
+ a
1
x + 1
_
+
_
b
4
x
4
+ b
3
x
3
+ b
2
x
2
+ b
1
x + 1
_
=(a
4
+ b
4
) x
4
+ (a
3
+ b
3
) x
3
+ (a
2
+ b
2
) x
2
+ (a
1
+ b
1
) x + 2
donde podemos observar que el polinomio p (x) +q (x) tiene como
termino constante 2 y por tanto no pertenece a H, con lo que
conluimos que H no es un subespacio de V .
Ejercicio
Determine si el conjunto dado H del espacio vectorial V es un
subespacio de V
x V = R
2
; H = {(x, y) | y 0}
y V = M
mn
; H = {T
nn
M
mn
| T
nn
es triangular superior}
z V = P
n
; H = {p P
n
| p (0) = 0 y p
(0) = 0}
{ V = M
mn
; H =
_
A M
mn
| a
i j
= 0
_
Contenido:
1
Subespacios
Combinacion Lineal
Espacio generado
Base
Dimension
Combinacion Lineal
Denicion
Sea V un espacio vectorial y tome el vector v V y tome tambien
los vectores u
1
, u
2
, . . . , u
n
V . Se dice que v es una combinacion
lineal de los vectores u
i
si u puede expresarse como:
v = c
1
u
1
+ c
2
u
2
+ + c
n
u
n
donde c
1
, c
2
, , c
n
son escalares.
Ejemplo
Considere los vectores
v
1
=
_
1, 3, 1
_
, v
2
=
_
0, 1, 2
_
, y v
3
=
_
1, 0, 5
_
v
1
es una combinacion lineal de v
2
y v
3
porque
v
1
= 3v
2
+ v
3
= 3
_
0, 1, 2
_
+
_
1, 0, 5
_
=
_
1, 3, 1
_
Ejemplo
Considere los siguientes vectores que pertenecen a M
22
v
1
=
_
0 8
2 1
_
, v
2
=
_
0 2
1 0
_
, v
3
=
_
1 3
1 2
_
, v
4
=
_
2 0
1 3
_
v
1
es una combinacion lineal de v
2
, v
3
y v
4
porque
v
1
= v
2
+ 2v
3
v
4
=
_
0 2
1 0
_
+ 2
_
1 3
1 2
_
_
2 0
1 3
_
=
_
0 8
2 1
_
Ejemplo
Determine si el vector
_
8, 0, 5
_
es una combinacion lineal de los
vectores
_
1, 2, 3
_
,
_
0, 1, 4
_
y
_
2, 1, 1
_
R
3
.
Solucion
Aplicando la denicion de combinacion lineal deben de existir es-
calares c
1
, c
2
y c
3
tales que se cumpla
_
8, 0, 5
_
= c
1
_
1, 2, 3
_
+ c
2
_
0, 1, 4
_
+ c
3
_
2, 1, 1
_
=
_
c
1
, 2c
1
, 3c
1
_
+
_
0, c
2
, 4c
2
_
+
_
2c
3
, c
3
, c
3
_
=
_
c
1
+ 2c
3
, 2c
1
+ c
2
c3, 3c
1
+ 4c
2
+ c
3
_
Ejemplo
Determine si el vector
_
8, 0, 5
_
es una combinacion lineal de los
vectores
_
1, 2, 3
_
,
_
0, 1, 4
_
y
_
2, 1, 1
_
R
3
.
Solucion
Aplicando la denicion de combinacion lineal deben de existir es-
calares c
1
, c
2
y c
3
tales que se cumpla
_
8, 0, 5
_
= c
1
_
1, 2, 3
_
+ c
2
_
0, 1, 4
_
+ c
3
_
2, 1, 1
_
=
_
c
1
, 2c
1
, 3c
1
_
+
_
0, c
2
, 4c
2
_
+
_
2c
3
, c
3
, c
3
_
=
_
c
1
+ 2c
3
, 2c
1
+ c
2
c3, 3c
1
+ 4c
2
+ c
3
_
Solucion
De la igualdad anterior obtenemos el siguiente sistema de ecua-
ciones
c
1
+ 2c
3
= 8
2c
1
+ c
2
c
3
= 0
3c
1
+ 4c
2
+ c
3
= 5
cuya solucion es c
1
= 2, c
2
= 1 y c
3
= 3.
Solucion
Por lo que nos queda que el vector
_
8, 0, 5
_
si es una combi-
nacion lineal de
_
1, 2, 3
_
,
_
0, 1, 4
_
y
_
2, 1, 1
_
.
_
8, 0, 5
_
= 2
_
1, 2, 3
_
1
_
0, 1, 4
_
+ 3
_
2, 1, 1
_
Observacion
En caso de que el sistema no tenga solucion, entonces no es posi-
ble expresar el vector como una combinacion lineal de los otros
vectores.
Solucion
Por lo que nos queda que el vector
_
8, 0, 5
_
si es una combi-
nacion lineal de
_
1, 2, 3
_
,
_
0, 1, 4
_
y
_
2, 1, 1
_
.
_
8, 0, 5
_
= 2
_
1, 2, 3
_
1
_
0, 1, 4
_
+ 3
_
2, 1, 1
_
Observacion
En caso de que el sistema no tenga solucion, entonces no es posi-
ble expresar el vector como una combinacion lineal de los otros
vectores.
Ejemplo
Determine si la matriz
_
1 7
8 1
_
es una combinacion lineal de
_
1 0
2 1
_
,
_
2 3
0 2
_
y
_
0 1
2 0
_
M
22
.
Solucion
Si es posible encontrar escalares c
1
, c
2
y c
3
tales que se cumpla la
siguiente identidad
_
1 7
8 1
_
= c
1
_
1 0
2 1
_
+ c
2
_
2 3
0 2
_
+ c
3
_
0 1
2 0
_
entonces se dice que la matriz es combinacion lineal de las otras
matrices.
Ejemplo
Determine si la matriz
_
1 7
8 1
_
es una combinacion lineal de
_
1 0
2 1
_
,
_
2 3
0 2
_
y
_
0 1
2 0
_
M
22
.
Solucion
Si es posible encontrar escalares c
1
, c
2
y c
3
tales que se cumpla la
siguiente identidad
_
1 7
8 1
_
= c
1
_
1 0
2 1
_
+ c
2
_
2 3
0 2
_
+ c
3
_
0 1
2 0
_
entonces se dice que la matriz es combinacion lineal de las otras
matrices.
Solucion
Entonces
_
1 7
8 1
_
=
_
c
1
+ 2c
2
3c
2
+ c
3
2c
1
+ 2c
3
c
1
+ 2c
2
_
y para hallar los valores de c
1
, c
2
y c
3
se tiene que resolver el sistema
c
1
+ 2c
2
= 1
3c
2
+ c
3
= 7
2c
1
+ 2c
3
= 8
c
1
+ 2c
2
= 1
Solucion
Resolviendo el sistema tenemos que c
1
= 3, c
2
= 2 y c
3
= 1
por lo que se cumple que la matriz
_
1 7
8 1
_
es una combinacion
lineal de las otras matrices quedando
_
1 7
8 1
_
= 3
_
1 0
2 1
_
2
_
2 3
0 2
_
+
_
0 1
2 0
_
Ejemplo
Determine si el polinomio p (x) = 2x
2
+6x +7 es una combinacion
lineal de q (x) = x
2
1 y r (x) = 2x + 3.
Solucion
Para determinar si p (x) es combinacion lineal de q (x) y r (x) se
tiene que cumplir la siguiente identidad
p (x) = c
1
q (x) + c
2
r (x)
2x
2
+ 6x + 7 = c
1
_
x
2
1
_
+ c
2
(2x + 3)
2x
2
+ 6x + 7 = c
1
x
2
+ 2c
2
x + (c
1
+ 3c
2
)
Ejemplo
Determine si el polinomio p (x) = 2x
2
lineal de q (x) = x
2
1 y r (x) = 2x + 3.
Solucion
Para determinar si p (x) es combinacion lineal de q (x) y r (x) se
tiene que cumplir la siguiente identidad
p (x) = c
1
q (x) + c
2
r (x)
2x
2
+ 6x + 7 = c
1
_
x
2
1
_
+ c
2
(2x + 3)
2x
2
+ 6x + 7 = c
1
x
2
+ 2c
2
x + (c
1
+ 3c
2
)
Solucion
Igualando los coecientes de los terminos semejantes, tenemos que
c
1
= 2
2c
2
= 6
c
1
+ 3c
2
= 7
Resolviendo el sistema obtenemos que la solucion es c
1
= 2, c
2
= 3,
por lo que p (x) es combinacion lineal de q (x) y r (x) quedando
p (x) = 2q (x) + 3r (x)
Ejercicio
Determina si el primer vector es combinacion lineal de los otros
vectores.
x
_
8,
1
4
,
27
4
_
;
_
2, 1, 3
_
,
_
5, 0, 4
_
y
_
3, 15, 18
_
;
_
2, 0, 7
_
,
_
2, 4, 5
_
,
_
2, 12, 13
_
z
_
0, 10, 8
_
;
_
1, 2, 3
_
,
_
1, 3, 1
_
,
_
1, 8, 5
_
Ejercicio
Determina si la matriz
_
5 7
5 10
_
es combinacion lineal de las ma-
trices
_
1 2
3 4
_
,
_
0 3
1 2
_
y
_
1 2
0 0
_
Ejercicio
Determina si el polinomio p (x) = x
2
lineal de los polinomios q (x) = x
2
+ x 1 y r (x) = x
2
+ 2x + 1
Contenido:
1
Subespacios
Combinacion Lineal
Espacio generado
Base
Dimension
Denicion
Sean v
1
, . . . , v
m
vectores en un espacio vectorial V . Estos vectores
generan a V si cada vector en V puede ser expresado como una
combinacion lineal de ellos. A este conjunto se le llama conjunto
generador de V .
Ejemplo
El conjunto
__
1, 0, 0
_
,
_
0, 1, 0
_
,
_
0, 0, 1
__
genera a R
3
ya que cualquier vector u =
_
u
1
, u
2
, u
3
_
en R
3
puede escribirse
como
u = u
1
_
1, 0, 0
_
+ u
2
_
0, 1, 0
_
+ u
3
_
0, 0, 1
_
Denicion
Sean v
1
, . . . , v
m
vectores en un espacio vectorial V . Estos vectores
generan a V si cada vector en V puede ser expresado como una
combinacion lineal de ellos. A este conjunto se le llama conjunto
generador de V .
Ejemplo
El conjunto
__
1, 0, 0
_
,
_
0, 1, 0
_
,
_
0, 0, 1
__
genera a R
3
ya que cualquier vector u =
_
u
1
, u
2
, u
3
_
en R
3
puede escribirse
como
u = u
1
_
1, 0, 0
_
+ u
2
_
0, 1, 0
_
+ u
3
_
0, 0, 1
_
Ejemplo
El conjunto
_
1, x, x
2
_
genera a P
2
ya que cualquier polinomio
p (x) = a + bx + cx
2
en P
2
puede escribirse como
p (x) = a (1) + b (x) + c
_
x
2
_
Los conjuntos generadores proporcionados en los ejemplos
anteriores se les denominan conjuntos generadores estandar de
R
3
y P
2
, respectivamente.
A continuacion se mostraran algunos ejemplos de conjuntos
generadores no estandar.
Ejemplo
El conjunto
_
1, x, x
2
_
genera a P
2
ya que cualquier polinomio
p (x) = a + bx + cx
2
en P
2
puede escribirse como
p (x) = a (1) + b (x) + c
_
x
2
_
Los conjuntos generadores proporcionados en los ejemplos
anteriores se les denominan conjuntos generadores estandar de
R
3
y P
2
, respectivamente.
A continuacion se mostraran algunos ejemplos de conjuntos
generadores no estandar.
Ejemplo
Determine si el conjunto
S =
__
1, 2, 3
_
,
_
0, 1, 2
_
,
_
2, 0, 1
__
genera a R
3
Solucion
S genera a R
3
si cualquier vector x =
_
x
1
, x
2
, x
3
_
en R
3
puede
representarse como combinacion lineal de los vectores de S, es
decir, si existen escalares c
1
, c
2
y c
3
tales que
_
x
1
, x
2
, x
3
_
= c
1
_
1, 2, 3
_
+c
2
_
0, 1, 2
_
+c
3
_
2, 0, 1
_
Ejemplo
S =
__
1, 2, 3
_
,
_
0, 1, 2
_
,
_
2, 0, 1
__
genera a R
3
Solucion
S genera a R
3
_
x
1
, x
2
, x
3
_
en R
3
puede
1
, c
2
y c
3
tales que
_
x
1
, x
2
, x
3
_
= c
1
_
1, 2, 3
_
+c
2
_
0, 1, 2
_
+c
3
_
2, 0, 1
_
Solucion
Simplicando la ecuacion anterior tenemos el siguiente sistema de
ecuaciones
c
1
2c
3
= x
1
2c
1
+ c
2
= x
2
3c
1
+ 2c
2
+ c
3
= x
3
Calculando el det de la matriz de
coecientes A
A =
1 0 2
2 1 0
3 2 1
= 1
Como |A| = 0 el sistema de ecuaciones tiene solucion unica, por lo
que se concluye que cualquier vector en R
3
puede expresarse como
combinacion lineal de los vectores de S. Entonces se dice que S es
un conjunto generador de R
3
.
Solucion
ecuaciones
c
1
2c
3
= x
1
2c
1
+ c
2
= x
2
3c
1
+ 2c
2
+ c
3
= x
3
coecientes A
A =
1 0 2
2 1 0
3 2 1
= 1
3
3
.
Solucion
ecuaciones
c
1
2c
3
= x
1
2c
1
+ c
2
= x
2
3c
1
+ 2c
2
+ c
3
= x
3
coecientes A
A =
1 0 2
2 1 0
3 2 1
= 1
3
3
.
Ejemplo
S =
__
1, 2, 3
_
,
_
0, 1, 2
_
,
_
1, 0, 1
__
genera a R
3
Solucion
S genera a R
3
_
x
1
, x
2
, x
3
_
en R
3
puede
1
, c
2
y c
3
tales que
_
x
1
, x
2
, x
3
_
= c
1
_
1, 2, 3
_
+c
2
_
0, 1, 2
_
+c
3
_
1, 0, 1
_
Ejemplo
S =
__
1, 2, 3
_
,
_
0, 1, 2
_
,
_
1, 0, 1
__
genera a R
3
Solucion
S genera a R
3
_
x
1
, x
2
, x
3
_
en R
3
puede
1
, c
2
y c
3
tales que
_
x
1
, x
2
, x
3
_
= c
1
_
1, 2, 3
_
+c
2
_
0, 1, 2
_
+c
3
_
1, 0, 1
_
Solucion
ecuaciones
c
1
c
3
= x
1
2c
1
+ c
2
= x
2
3c
1
+ 2c
2
+ c
3
= x
3
la forma escalonada reducida de la matriz aumentada del sistema
anterior es
_
_
1 0 1 0
0 1 2 0
0 0 0 1
_
_
por lo que el sistema anterior no tiene solucion y por lo tanto no es
posible representar a todos los vectores en R
3
como combinacion
lineal de los vectores de S. Por lo anterior se concluye que S no
genera a R
3
.
Observacion
En el ejemplo anterior S no genera a R
3
, sin embargo genera un
subespacio de R
3
, que es el plano en donde estan los tres vectores
de S. A este espacio vectorial se le llama espacio generado por el
conjunto S
Denicion
Sean v
1
, . . . , v
m
vectores en un espacio vectorial V . El espacio
generado por {v
1
, . . . , v
m
} es el conjunto de combinaciones lineales
de v
1
, . . . , v
m
. Es decir,
gen {v
1
, . . . , v
m
} = {v | v = a
1
v
1
+ + a
m
v
m
}
donde a
1
, . . . , a
m
son escalares arbitrarios.
Teorema
Si v
1
, v
2
, . . . , v
k
son vectores en un espacio vectorial V , entonces
gen {v
1
, v
2
, . . . , v
k
} es un subespacio de V .
Ejemplo
Sean v
1
=
_
2, 1, 4
_
y v
2
=
_
4, 1, 6
_
. Entonces
H = gen {v
1
, v
2
}
=
_
v | v = a
1
_
2, 1, 4
_
+ a
2
_
4, 1, 6
__
Cual es la apariencia de H?
Teorema
Si v
1
, v
2
, . . . , v
k
son vectores en un espacio vectorial V , entonces
gen {v
1
, v
2
, . . . , v
k
} es un subespacio de V .
Ejemplo
Sean v
1
=
_
2, 1, 4
_
y v
2
=
_
4, 1, 6
_
. Entonces
H = gen {v
1
, v
2
}
=
_
v | v = a
1
_
2, 1, 4
_
+ a
2
_
4, 1, 6
__
Cual es la apariencia de H?
Solucion
Para determinar la apariencia de H, tomemos un vector cualquiera
_
x, y, z
_
H, entonces el vector se puede representar como
combinacion lineal de v
1
y v
2
, quedando
_
x, y, z
_
= a
1
_
2, 1, 4
_
+ a
2
_
4, 1, 6
_
reduciendo e igualando
x = 2a
1
+ 4a
2
y = a
1
+ a
2
z = 4a
1
+ 6a
2
Solucion
Resolviendo el sistema de ecuaciones, vemos que
_
_
1 0
1
6
x
2
3
y
0 1
1
6
x +
1
3
y
0 0
5
3
x
2
3
y + z
_
_
Observe que para que el sistema tenga solucion se tiene que cumplir
5
3
x
2
3
y + z = 0
por lo que se concluye que cualquier vector
_
x, y, z
_
H cuando
satisface la ecuacion anterior. Multiplicando por 3 obtenemos
5x + 2y 3z = 0
que es la ecuacion de un plano que pasa por el origen, obteniendo
de esta forma la apariencia de H.
Observacion
En general el espacio generado por dos vectores diferentes de cero
en R
3
que no son paralelos es un plano que pasa por el origen.
Ejemplo
Determine si el vector v =
_
3, 1, 11
_
pertenece a
H = gen
__
1, 5, 3
_
,
_
2, 3, 4
__
Observacion
En general el espacio generado por dos vectores diferentes de cero
en R
3
que no son paralelos es un plano que pasa por el origen.
Ejemplo
Determine si el vector v =
_
3, 1, 11
_
pertenece a
H = gen
__
1, 5, 3
_
,
_
2, 3, 4
__
Solucion
El vector v H si es una combinacion lineal de
_
1, 5, 3
_
y
_
2, 3, 4
_
, esto es
_
3, 1, 11
_
= c
1
_
1, 5, 3
_
+ c
2
_
2, 3, 4
_
simplicando la igualdad anterior obtenemos el sistema
c
1
+ 2c
2
= 3
5c
1
3c
2
= 1
3c
1
+ 4c
2
= 11
resolviendo el sistema vemos que la solucion es c
1
= 1, c
2
= 2. De
esta forma v = 1
_
1, 5, 3
_
+ 2
_
2, 3, 4
_
es combinacion
lineal de los vectores que generan a H y por lo tanto pertenece a
gen
__
1, 5, 3
_
,
_
2, 3, 4
__
.
Ejemplo
Sean p (x) = 2x
2
5 y q (x) = x + 1. Muestre que el polinomio
r (x) = 4x
2
+ 3x 7 pertenece a gen {p, q}
Solucion
El polinomio r (x) esta en gen {p, q} si es una combinacion lineal
de p (x) y q (x) , esto es
4x
2
+ 3x 7 = c
1
_
2x
2
5
_
+ c
2
(x + 1)
= 2c
1
x
2
+ c
2
x 5c
1
+ c
2
igualando los coecientes de los polinomios obtenemos
2c
1
= 4
c
2
= 3
5c
1
+ c
2
= 7
Ejemplo
Sean p (x) = 2x
2
5 y q (x) = x + 1. Muestre que el polinomio
r (x) = 4x
2
+ 3x 7 pertenece a gen {p, q}
Solucion
El polinomio r (x) esta en gen {p, q} si es una combinacion lineal
de p (x) y q (x) , esto es
4x
2
+ 3x 7 = c
1
_
2x
2
5
_
+ c
2
(x + 1)
= 2c
1
x
2
+ c
2
x 5c
1
+ c
2
igualando los coecientes de los polinomios obtenemos
2c
1
= 4
c
2
= 3
5c
1
+ c
2
= 7
Solucion
Resolviendo el sistema vemos que la solucion es c
1
= 2, c
2
= 3.
De esta forma podemos escribir
4x
2
+ 3x 7 = 2
_
2x
2
5
_
+ 3 (x + 1)
por lo que r (x) es combinacion lineal de p (x) y q (x) por lo tanto
s pertenece a gen {p, q}.
Teorema
Sean v
1
, v
2
, . . . , v
n
, v
n+1
, n + 1 vectores que estan en un
espacio vectorial V . Si v
1
, v
2
, . . . , v
n
genera a V , entonces
v
1
, v
2
, . . . , v
n
, v
n+1
tambien genera a V . Es decir, si se agregan
uno o mas vectores a un conjunto generador se obtiene otro con-
junto generador.
Ejercicio
Determinar si el conjunto dado de vectores genera al espacio vec-
torial dado
x En R
2
:
_
0, 1
_
;
_
3, 4
_
;
_
1, 2
_
y En R
3
:
_
1, 1, 1
_
;
_
0, 1, 1
_
;
_
0, 0, 1
_
z En P
2
: 1 x, 3 x
2
{ En M
22
:
_
1 0
1 0
_
;
_
1 2
0 0
_
;
_
4 1
3 0
_
;
_
2 5
6 0
_
Contenido:
1
Subespacios
Combinacion Lineal
Espacio generado
Base
Dimension
Denicion
Sean v
1
, v
2
, . . . , v
n
vectores en un espacio vectorial V . Entonces
se dicen que son linealmente dependientes si existen n escalares
c
1
, c
2
, . . . , c
n
no todos ceros tales que
c
1
v
1
+ c
2
v
2
+ . . . + c
n
v
n
= 0
Si los vectores no son linealmente dependientes, se dice que son
linelamente independientes.
Teorema
Dos vectores en un espacio vectorial son linealmente dependientes
si y solo si uno es multiplo escalar del otro. En otras palabras si
son paralelos.
Denicion
Sean v
1
, v
2
, . . . , v
n
vectores en un espacio vectorial V . Entonces
se dicen que son linealmente dependientes si existen n escalares
c
1
, c
2
, . . . , c
n
no todos ceros tales que
c
1
v
1
+ c
2
v
2
+ . . . + c
n
v
n
= 0
Si los vectores no son linealmente dependientes, se dice que son
linelamente independientes.
Teorema
Dos vectores en un espacio vectorial son linealmente dependientes
si y solo si uno es multiplo escalar del otro. En otras palabras si
son paralelos.
Ejemplo
Los vectores son v

1
=
_
_
_
_
2
1
0
3
_
_
_
_
y v
2
=
_
_
_
_
6
3
0
9
_
_
_
_
son linealmente
dependientes porque v
2
= 3v
1
.
Los vectores v
1
=
_
_
1
2
4
_
_
y v
2
=
_
_
2
5
3
_
_
son linealmente
independientes.
Ejemplo
Los vectores son v

1
=
_
_
_
_
2
1
0
3
_
_
_
_
y v
2
=
_
_
_
_
6
3
0
9
_
_
_
_
son linealmente
dependientes porque v
2
= 3v
1
.
Los vectores v
1
=
_
_
1
2
4
_
_
y v
2
=
_
_
2
5
3
_
_
son linealmente
independientes.
Ejemplo
Determine si los vectores
_
_
1
2
3
_
_
,
_
_
2
2
0
_
_
y
_
_
0
1
7
_
_
son linealmente
dependientes o independientes.
Solucion
Supongamos que
c
1
_
_
1
2
3
_
_
+ c
2
_
_
2
2
0
_
_
+ c
3
_
_
0
1
7
_
_
=
_
_
0
0
0
_
_
Solucion
De donde obtenemos el sistema
c
1
+ 2c
2
= 0
2c
1
2c
2
+ c
3
= 0
3c
1
+ 7c
3
= 0
al resolverlo, obtenemos
_
_
1 0 0 0
0 1 0 0
0 0 1 0
_
_
por tanto la solucion unica es c
1
= c
2
= c
3
= 0 y los vectores son
linealmente independientes.
Ejemplo
_
_
1
3
0
_
_
,
_
_
3
0
4
_
_
y
_
_
11
6
12
_
_
son linealmente
dependientes o independientes
Solucion
Supongamos que
c
1
_
_
1
3
0
_
_
+ c
2
_
_
3
0
4
_
_
+ c
3
_
_
11
6
12
_
_
=
_
_
0
0
0
_
_
Solucion
Entonces tenemos el sistema
c
1
+ 3c
2
+ 11c
3
= 0
3c
1
6c
3
= 0
4c
2
+ 12c
3
= 0
calculando el determinante de la matriz de coecientes tenemos
1 3 11
3 0 6
0 4 12
= 0
por lo tanto este conjunto de vectores es linealmente dependiente.
Observacion
Tres vectores en R
3
son linelamente dependientes si y solo si son
coplanares.
Teorema
Un conjunto de n vectores en R
m
siempre es linealmente dependi-
ente si n > m.
Corolario
Un conjunto de vectores linealmente independientes en R
n
contiene
a los mas n vectores.
Observacion
Tres vectores en R
3
coplanares.
Teorema
m
ente si n > m.
Corolario
n
contiene
Observacion
Tres vectores en R
3
coplanares.
Teorema
m
ente si n > m.
Corolario
n
contiene
Teorema
Sean v
1
, v
2
, . . . , v
n
, n vectores en R
n
y sea A una matriz de n
n cuyas columnas son v
1
, v
2
, . . . , v
n
. Entonces v
1
, v
2
, . . . , v
n
son
linealmente independientes si y solo si la unica solucion al sistema
homogeneo Ax = 0 es la solucion trivial x = 0.
Teorema
Sea A una matriz de n n. Entonces det (A) = 0 si y solo si las
columnas de A son linealmente independientes.
Teorema
Sean v
1
, v
2
, . . . , v
n
, n vectores en R
n
y sea A una matriz de n
n cuyas columnas son v
1
, v
2
, . . . , v
n
. Entonces v
1
, v
2
, . . . , v
n
son
linealmente independientes si y solo si la unica solucion al sistema
homogeneo Ax = 0 es la solucion trivial x = 0.
Teorema
Sea A una matriz de n n. Entonces det (A) = 0 si y solo si las
columnas de A son linealmente independientes.
Teorema
Sea A una matriz de n n. Entonces las ocho armaciones sigu-
ientes son equivalentes (es decir, si una es cierta todas son ciertas)
1. A es invertible
2. La unica solucion al sistema homogeneo Ax = 0 es la
solucion trivial x = 0.
3. El sistema Ax = b tiene solucion unica para todo n vector b.
4. A es equivalente por renglones a la matriz identidad de n n,
I
n
5. A se puede escribir como el producto de matrices
elementales
6. La forma escalonada por renglones de A tiene n pivotes
7. det (A) = 0
8. Las columnas de A son linealmente independientes.
Teorema
Cualquier conjunto de n vectores linealmente independiente en R
n
genera a R
n
.
Ejemplo
_
2, 1, 4
_
,
_
1, 0, 2
_
, y
_
3, 1, 5
_
son linealmente dependientes o independientes
Teorema
Cualquier conjunto de n vectores linealmente independiente en R
n
genera a R
n
.
Ejemplo
_
2, 1, 4
_
,
_
1, 0, 2
_
, y
_
3, 1, 5
_
son linealmente dependientes o independientes
Solucion
Colocamos los vectores en forma de columnas para construir la
matriz
A =
_
_
2 1 3
1 0 1
4 2 5
_
_
que tiene como determinante det (A) = 1, por tanto, los vectores
son linealmente independientes.
Ejemplo
En M
23
, sean A
1
=
_
1 0 2
3 1 1
_
, A
2
=
_
1 1 4
2 3 0
_
y A
3
=
_
1 0 1
1 2 1
_
determine si A
1
, A
2
y A
3
son linealmente dependientes
o independientes.
Solucion
Supongamos que c
1
A
1
+ c
2
A
2
+ c
3
A
3
= 0. Entonces
c
1
_
1 0 2
3 1 1
_
+ c
2
_
1 1 4
2 3 0
_
+ c
3
_
1 0 1
1 2 1
_
=
_
0 0 0
0 0 0
_
lo que equivale a
_
c
1
c
2
c
3
c
2
2c
1
+ 4c
2
+ c
3
3c
1
+ 2c
2
+ c
3
c
1
+ 3c
2
+ 2c
3
c
1
+ c
3
_
=
_
0 0 0
0 0 0
_
Solucion
Como c
2
= 0, se tiene el sistema
c
1
c
3
= 0
2c
1
+ c
3
= 0
3c
1
+ c
3
= 0
c
1
+ 2c
3
= 0
c
1
+ c
3
= 0
Resolviendo
_
_
1 1 0
2 1 0
3 1 0
1 2 0
1 1 0
_
_
1 0 0
0 1 0
0 0 0
0 0 0
0 0 0
_
_
por lo tanto, la unica solucion es c
1
= c
2
= c
3
= 0 y de esta
manera los vectores son linealmente independientes.
Solucion
Como c
2
= 0, se tiene el sistema
c
1
c
3
= 0
2c
1
+ c
3
= 0
3c
1
+ c
3
= 0
c
1
+ 2c
3
= 0
c
1
+ c
3
= 0
Resolviendo
_
_
1 1 0
2 1 0
3 1 0
1 2 0
1 1 0
_
_
1 0 0
0 1 0
0 0 0
0 0 0
0 0 0
_
_
por lo tanto, la unica solucion es c
1
= c
2
= c
3
= 0 y de esta
manera los vectores son linealmente independientes.
Ejemplo
Determine si los polinomios en P
3
, 1, x, x
2
y x
3
son linealmente
dependientes o independientes
Solucion
Suponga que c
1
+c
2
x +c
3
x
2
+c
4
x
3
= 0. Esto debe cumplirse para
toda x, en particular para valores especcos de x, si tomamos
x = 0 se sigue que c
1
= 0. Entonces, haciendo x = 1, x = 1 y
x = 2 se obtiene respectivamente
c
2
+ c
3
+ c
4
= 0
c
2
+ c
3
c
4
= 0
2c
2
+ 4c
3
+ 8c
4
= 0
Solucion
el determinante de este sistema es
1 1 1
1 1 1
2 4 8
= 12
por lo tanto, estos vectores son linealmente independientes.
Ejemplo
Determine si los polinomios en P
2
, x 2x
2
, x
2
4x y 7x + 8x
2
son linealmente dependientes o independientes.
Escribiendo los polinomios como combinacion lineal e
igualandolos al polinomio cero, tenemos
c
1
(x 2x
2
) + c
2
(x
2
4x) + c
3
(7x + 8x
2
) = 0x
2
+ 0x + 0
reduciendo la ecuacion anterior entonces
Contenido:
1
Subespacios
Combinacion Lineal
Espacio generado
Base
Dimension
Contenido:
1
Subespacios
Combinacion Lineal
Espacio generado
Base
Dimension
Contenido:
1
Subespacios
Combinacion Lineal
Espacio generado
Base
Dimension
Denicion (Espacio Nulo)
Sea A una matriz de m n y sea
N
A
= {x R
n
: Ax = 0}
al conjunto N
A
se le denomina espacio nulo de la matriz A.
Denicion (Nulidad de una matriz)
La nulidad de una matriz A, denotada por (A), es igual a la
dimension del espacio nulo. Esto es:
(A) = dimN
A
si N
A
contiene solo al vector cero, entonces (A) = 0.
Nota. El espacio nulo de una matriz tambien se conoce como
kernel.
Denicion (Espacio Nulo)
Sea A una matriz de m n y sea
N
A
= {x R
n
: Ax = 0}
al conjunto N
A
se le denomina espacio nulo de la matriz A.
Denicion (Nulidad de una matriz)
La nulidad de una matriz A, denotada por (A), es igual a la
dimension del espacio nulo. Esto es:
(A) = dimN
A
si N
A
contiene solo al vector cero, entonces (A) = 0.
Nota. El espacio nulo de una matriz tambien se conoce como
kernel.
Ejemplo de Espacio nulo y nulidad de una matriz de 2 3
Sea A =
_
1 2 1
2 1 3
_
. Entonces, una base para el espacio de
solucion o espacio nulo de A es el vector
_
_
1
1
1
_
_
y por lo tanto
N
A
= gen
_
_
_
_
_
1
1
1
_
_
_
_
_
y (A) = dimN
A
= 1.
Ejemplo de Espacio nulo y nulidad de una matriz de 3 3
Sea A =
_
_
2 1 3
4 2 6
6 3 9
_
_
. Entonces, una base para el espacio
de solucion o espacio nulo de A es el conjunto
_
_
_
_
_
1
2
0
_
_
,
_
_
0
3
1
_
_
_
_
_
y por lo tanto
N
A
= gen
_
_
_
_
_
1
2
0
_
_
,
_
_
0
3
1
_
_
_
_
_
y (A) = dimN
A
= 2
Teorema
Sea A una matriz de n n. Entonces A es invertible si y solo si
(A) = 0.
Denicion (Imagen de una matriz)
Sea A una matriz de m n. Entonces la imagen de A, denotada
por Im(A), esta dada por
Im(A) = {y R
m
: Ax = y para alguna x R
m
}
Teorema
Sea A una matriz de n n. Entonces A es invertible si y solo si
(A) = 0.
Denicion (Imagen de una matriz)
Sea A una matriz de m n. Entonces la imagen de A, denotada
por Im(A), esta dada por
Im(A) = {y R
m
: Ax = y para alguna x R
m
}
Teorema
Sea A una matriz de mn. Entonces la imagen de A Im(A) es un
subespacio de R
m
Denicion (Rango de una matriz)
Sea A una matriz de mn. Entonces el rango de A, denotado por
(A), esta dado por
(A) = dimIm(A)
Teorema
Para cualquier matriz A, C
A
= Im(A). Es decir, la imagen de una
matriz es igual al espacio de sus columnas.
Teorema
subespacio de R
m
(A), esta dado por
(A) = dimIm(A)
Teorema
A
Teorema
subespacio de R
m
(A), esta dado por
(A) = dimIm(A)
Teorema
A
Ejemplo
Calculo de N
A
, (A), Im(A), (A), R
A
y C
A
para una matriz de
2 3.
Sea A =
_
1 2 1
2 1 3
_
. A es una matriz de 2 3.
El espacio nulo de A = N
A
=
_
x R
3
: Ax = 0
_
. Como se
vio en el ejemplo 1, N
A
= gen
_
_
_
_
_
1
1
1
_
_
_
_
_
La nulidad de A = (A) = dimN

A
= 1
(A) = dimIm(A) = dimR

2
= 2
Se sabe que Im(A) = C

A
. Las primeras dos columnas de A
son vectores linealmente independientes en R
2
y, por lo
tanto, forman una base para R
2
. La Im(A) = C
A
= R
2
.
Ejemplo
Calculo de N
A
, (A), Im(A), (A), R
A
y C
A
para una matriz de
2 3.
Sea A =
_
1 2 1
2 1 3
_
A
=
_
x R
3
: Ax = 0
_
. Como se
A
= gen
_
_
_
_
_
1
1
1
_
_
_
_
_

A
= 1

2
= 2

A
2
y, por lo
2
. La Im(A) = C
A
= R
2
.
Ejemplo
Calculo de N
A
, (A), Im(A), (A), R
A
y C
A
para una matriz de
2 3.
Sea A =
_
1 2 1
2 1 3
_
A
=
_
x R
3
: Ax = 0
_
. Como se
A
= gen
_
_
_
_
_
1
1
1
_
_
_
_
_

A
= 1

2
= 2

A
2
y, por lo
2
. La Im(A) = C
A
= R
2
.
Ejemplo
Calculo de N
A
, (A), Im(A), (A), R
A
y C
A
para una matriz de
2 3.
Sea A =
_
1 2 1
2 1 3
_
A
=
_
x R
3
: Ax = 0
_
. Como se
A
= gen
_
_
_
_
_
1
1
1
_
_
_
_
_

A
= 1

2
= 2

A
2
y, por lo
2
. La Im(A) = C
A
= R
2
.
Ejemplo
Calculo de N
A
, (A), Im(A), (A), R
A
y C
A
para una matriz de
2 3.
Sea A =
_
1 2 1
2 1 3
_
A
=
_
x R
3
: Ax = 0
_
. Como se
A
= gen
_
_
_
_
_
1
1
1
_
_
_
_
_

A
= 1

2
= 2

A
2
y, por lo
2
. La Im(A) = C
A
= R
2
.
Continuacion del ejemplo...
El espacio de los renglones de

A = R
A
= gen {(1, 2, 1) , (2, 1, 3)}. Como estos dos
vectores son linealmente independientes, se ve que R
A
es un
subespacio de dimension dos de R
3
. Observe que R
A
es un
plano que pasa por el origen.
Teorema
Si A es una matriz de m n, entonces
dimR
A
= dimC
A
= dimIm(A) = (A)
Ejemplo del Calculo de Im(A) y (A) para una matriz de 3 3
Encontrar una base para Im(A) y determine el rango de A =
_
_
2 1 3
4 2 6
6 3 9
_
_
.
Solucion: Como r
2
= 2r
1
y r
3
= 3r
1
, se ve que
(A) = dimR
A
= 1. As, toda columna en C
A
es una base para
C
A
= Im(A). Por ejemplo,
_
_
2
4
6
_
_
es una base para Im(A).
Ejemplo del Calculo de Im(A) y (A) para una matriz de 3 3
Encontrar una base para Im(A) y determine el rango de A =
_
_
2 1 3
4 2 6
6 3 9
_
_
.
Solucion: Como r
2
= 2r
1
y r
3
= 3r
1
, se ve que
(A) = dimR
A
= 1. As, toda columna en C
A
es una base para
C
A
= Im(A). Por ejemplo,
_
_
2
4
6
_
_
es una base para Im(A).
Teorema
El rango de una matriz es igual al numero de pivotes en su forma
escalonada por renglones.
Ejemplo
Sea A =
_
_
_
_
1 2 4 3
2 5 6 8
0 1 14 14
3 6 12 9
_
_
_
_
, Calcula lo siguiente: N
A
, (A),
Im(A) , (A) , R
A
y C
A
para una matriz de 4 4
Teorema
El rango de una matriz es igual al numero de pivotes en su forma
escalonada por renglones.
Ejemplo
Sea A =
_
_
_
_
1 2 4 3
2 5 6 8
0 1 14 14
3 6 12 9
_
_
_
_
, Calcula lo siguiente: N
A
, (A),
Im(A) , (A) , R
A
y C
A
para una matriz de 4 4
Reduciendo la matriz a su forma escalonada por renglones queda
como sigue:
_
_
_
_
1 0 32 31
0 1 14 14
0 0 0 0
0 0 0 0
_
_
_
_
.
De la matriz anterior obtenemos las siguientes ecuaciones:
x
1
32x
3
+ 31x
4
= 0
x
2
+ 14x
3
14x
4
= 0
o bien
x
1
= 32x
3
31x
4
x
2
= 14x
3
+ 14x
4
de manera que si x N
A
, entonces
x =
_
_
_
_
32x
3
31x
4
14x
3
+ 14x
4
x
3
x
4
_
_
_
_
= x
3
_
_
_
_
32
14
1
0
_
_
_
_
+ x
4
_
_
_
_
31
14
0
1
_
_
_
_
por lo que los vectores de la combinacion lineal forman una base
para N
A
y entonces
N
A
= gen
_
_
_
_
_
_
32
14
1
0
_
_
_
_
,
_
_
_
_
31
14
0
1
_
_
_
_
_
_
A continuacion podemos ver que (A) = dimN

A
= 2, debido
a que una base para N
A
tiene dos elementos.
Para calcular el rango, podemos observar como quedo la

matriz en su forma escalonada por renglones y de ah, contar
el numero de pivotes. De lo anterior (A) = 2.
Una vez que tenemos el rango, es mas facil obtener Im(A),

debido a que conocemos dimIm(A) = (A) = 2, lo que nos
indica que una base para Im(A) tiene 2 elementos. De lo
anterior para obtener una base para Im(A) solo tenemos que
tomar 2 columnas de A que sean linealmente independientes,
debido a que C
A
= Im(A). Por ejemplo:
C
A
= Im(A) = gen
_
_
_
_
_
_
1
2
0
3
_
_
_
_
,
_
_
_
_
2
5
1
6
_
_
_
_
_
_

A
= 2, debido
A


debido a que C
A
C
A
= Im(A) = gen
_
_
_
_
_
_
1
2
0
3
_
_
_
_
,
_
_
_
_
2
5
1
6
_
_
_
_
_
_

A
= 2, debido
A


debido a que C
A
C
A
= Im(A) = gen
_
_
_
_
_
_
1
2
0
3
_
_
_
_
,
_
_
_
_
2
5
1
6
_
_
_
_
_
_

A
= 2, debido
A


debido a que C
A
C
A
= Im(A) = gen
_
_
_
_
_
_
1
2
0
3
_
_
_
_
,
_
_
_
_
2
5
1
6
_
_
_
_
_
_
Para calcular R
A
, utilizamos el mismo razonamiento que
usamos para calcular C
A
, y el hecho de que
dimR
A
= dimC
A
= 2. Por lo tanto
R
A
= gen
_
_
_
_
_
_
1
2
4
3
_
_
_
_
,
_
_
_
_
2
5
6
8
_
_
_
_
_
_
Espacios Vectoriales y Transformaciones Lineales Transformaciones Lineales Denicion Propiedades Imagen y N ucleo Representacion Matricial
Contenido:
2
Transformaciones Lineales
Denicion
Propiedades
Imagen y Nucleo
Representacion Matricial
Contenido:
2
Denicion
Propiedades
Imagen y Nucleo
Denicion
[Transformacion Lineal]Sean V y W espacios vectoriales reales. Una
transformacion lineal T de V en W es una funcion que asigna a
cada vector en v V un vector unico Tv W y que satisface,
para cada u y v en V y cada escalar ,
T (u + v) = Tu+Tv (1)
T (v) = Tv (2)
Dos observaciones sobre la notacion:
1. Se escribe T : V W para indicar que T toma el espacio
vectorial real V y lo lleva al espacio vectorial real W.
2. Se escriben indistintamente Tv y T (v). Denotan lo mismo y
las dos se leen T de v.
Denicion
[Transformacion Lineal]Sean V y W espacios vectoriales reales. Una
transformacion lineal T de V en W es una funcion que asigna a
cada vector en v V un vector unico Tv W y que satisface,
para cada u y v en V y cada escalar ,
T (u + v) = Tu+Tv (1)
T (v) = Tv (2)
Dos observaciones sobre la notacion:
1. Se escribe T : V W para indicar que T toma el espacio
vectorial real V y lo lleva al espacio vectorial real W.
2. Se escriben indistintamente Tv y T (v). Denotan lo mismo y
las dos se leen T de v.
Ejemplo
[Una transformacion lineal de R
2
en R
3
] Sea T : R
2
R
3
denida
por
T
_
x
y
_
=
_
_
x + y
x y
3y
_
_
Para vericar que sea una transformacion lineal debe de cumplir
las dos propiedades de la denicion. Examinemos la primera
propiedad:
T
__
x
1
y
1
_
+
_
x
2
y
2
__
= T
_
x
1
+ x
2
y
1
+ y
2
_
evaluando en la funcion denida para el ejemplo nos queda:
T
_
x
1
+ x
2
y
1
+ y
2
_
=
_
_
x
1
+ x
2
+ y
1
+ y
2
x
1
+ x
2
y
1
y
2
3y
1
+ 3y
2
_
_
_
_
x
1
+ y
1
x
1
y
1
3y
1
_
_
+
_
_
x
2
+ y
2
x
2
y
2
3y
2
_
_
pero como:
_
_
x
1
+ y
1
x
1
y
1
3y
1
_
_
= T
_
x
1
y
1
_
y
_
_
x
2
+ y
2
x
2
y
2
3y
2
_
_
De manera similar
T
_
_
x
y
__
= T
_
x
y
_
=
_
_
x + y
x y
3y
_
_
=
_
_
x + y
x y
3y
_
_
= T
_
x
y
_
as, T es una transformacion lineal.
Ejemplo
[La trasnformacion cero]Sean V y W espacios vectoriales y dena
T : V W por Tv = 0 para todo v V . Entonces
T (v
1
+ v
2
) = 0 = 0 + 0 = Tv
1
+ Tv
2
T (v) = 0 = 0 =Tv
en este caso, T se denomina la transformacion cero.
Ejemplo
[La transformacion identidad]Sea V un espacio vectorial y dena
I : V V por Iv = v para todo v V . Aqu es obvio que I
es una transformacion lineal, la cual se denomina transformacion
identidad.
Ejemplo
[La trasnformacion cero]Sean V y W espacios vectoriales y dena
T : V W por Tv = 0 para todo v V . Entonces
T (v
1
+ v
2
) = 0 = 0 + 0 = Tv
1
+ Tv
2
T (v) = 0 = 0 =Tv
en este caso, T se denomina la transformacion cero.
Ejemplo
[La transformacion identidad]Sea V un espacio vectorial y dena
I : V V por Iv = v para todo v V . Aqu es obvio que I
es una transformacion lineal, la cual se denomina transformacion
identidad.
Contenido:
2
Denicion
Propiedades
Imagen y Nucleo
En esta seccion se desarrollan algunas propiedades basicas de las
transformaciones lineales.
Teorema
Sea T : V W una transformacion lineal. entonces para to-
dos los vectores u, v, v
1
, v
2
, . . . , v
n
en V y todos los escalares
1
,
2
, . . . ,
n
:
1. T (0) = 0
2. T (u v) = T (u) T (v)
3. T (
1
v
1
+
2
v
2
+ +
n
v
n
) =
1
Tv
1
+
2
Tv
2
+ +
n
Tv
n
Teorema
1
, v
2
, . . . , v
n
1
,
2
, . . . ,
n
:
1. T (0) = 0
2. T (u v) = T (u) T (v)
3. T (
1
v
1
+
2
v
2
+ +
n
v
n
) =
1
Tv
1
+
2
Tv
2
+ +
n
Tv
n
Teorema
1
, v
2
, . . . , v
n
1
,
2
, . . . ,
n
:
1. T (0) = 0
2. T (u v) = T (u) T (v)
3. T (
1
v
1
+
2
v
2
+ +
n
v
n
) =
1
Tv
1
+
2
Tv
2
+ +
n
Tv
n
Teorema
Sea V un espacio vectorial de dimension nita con base B =
{v
1
, v
2
, . . . , v
n
}. Sean w
1
, w
2
, . . . , w
n
vectores en W. Suponga que
T
1
y T
2
son dos transformaciones lineales de V en W tales que
T
1
v
i
= T
2
v
i
= w
i
para i = 1, 2, . . . , n. Entonces para cualquier
vector v V , T
1
v = T
2
v; es decir T
1
= T
2
.
Ejemplo
Sea T una transformacion lineal de R
3
en R
2
y suponga que
T
_
_
1
0
0
_
_
=
_
2
3
_
, T
_
_
0
1
0
_
_
=
_
1
4
_
y T
_
_
0
0
1
_
_
=
_
5
3
_
. Calcule T
_
_
3
4
5
_
_
Teorema
Sea V un espacio vectorial de dimension nita con base B =
{v
1
, v
2
, . . . , v
n
}. Sea W un espacio vectorial que contiene los vec-
tores w
1
, w
2
, . . . , w
n
. Entonces existe una transformacion lineal
unica T : V W tal que Tv
i
= w
i
para i = 1, 2, . . . , n.
Ejemplo de Denicion de una transformacion lineal de R
2
en un
subespacio de R
3
Encuentre una transformacion lineal de R
2
en el plano
W =
_
_
_
_
_
x
y
z
_
_
: 2x y + 3z
_
_
_
Se sabe W es un subespacio de R
3
de dimension 2 con vectores
basicos w
1
=
_
_
1
2
0
_
_
y w
2
=
_
_
0
3
1
_
_
. Utilizando la base estandar en
R
2
, v
1
=
_
1
0
_
y v
2
=
_
0
1
_
se dene la transformacion lineal
por
T
_
1
0
_
=
_
_
1
2
0
_
_
y T
_
0
1
_
=
_
_
0
3
1
_
_
Entonces,
T
_
5
7
_
= T
_
5
_
1
0
_
7
_
0
1
__
= 5T
_
1
0
_
7T
_
0
1
_
= 5
_
_
1
2
0
_
_
7
_
_
0
3
1
_
_
=
_
_
5
11
7
_
_
de manera mas general
T
_
x
y
_
=
_
_
x
2x + 3y
y
_
_
Contenido:
2
Denicion
Propiedades
Imagen y Nucleo
Denicion
[Nucleo e Imagen de una transformacion lineal]Sean V y W dos
espacios vectoriales y sea T : V W una transformacion lineal.
Entonces
1. El nucleo de T, denotado por nu T, esta dado por
nu T = {v V : Tv = 0}
2. La imagen de T, denotado por ImT, esta dado por
ImT = {w W : w =Tv para alguna v V }
Denicion
[Nucleo e Imagen de una transformacion lineal]Sean V y W dos
espacios vectoriales y sea T : V W una transformacion lineal.
Entonces
1. El nucleo de T, denotado por nu T, esta dado por
nu T = {v V : Tv = 0}
2. La imagen de T, denotado por ImT, esta dado por
ImT = {w W : w =Tv para alguna v V }
Teorema
Si T : V W es una transformacion lineal, entonces
1. nu T es un subespacio de V
2. ImT es un subespacio de W
Ejemplo
[Nucleo e imagen de la transformacion cero.]Sea Tv = 0 para todo
v V . Entonces nu T = V e ImT = {0}
Teorema
Si T : V W es una transformacion lineal, entonces
1. nu T es un subespacio de V
2. ImT es un subespacio de W
Ejemplo
[Nucleo e imagen de la transformacion cero.]Sea Tv = 0 para todo
v V . Entonces nu T = V e ImT = {0}
Contenido:
2
Denicion
Propiedades
Imagen y Nucleo
Teorema
Sea T : R
n
R
m
una transformacion lineal. Entonces existe una
matriz unica de m n, A
T
tal que
Tx = A
T
x para toda x R
n
Denicion de Matriz de transformacion
La matriz A
T
en el teorema 2 se llama matriz de transformaci`on
correspondiente a T o representacion matricial de T.
Teorema
Sea T : R
n
R
m
una transformacion lineal. Entonces existe una
matriz unica de m n, A
T
tal que
Tx = A
T
x para toda x R
n
Denicion de Matriz de transformacion
La matriz A
T
en el teorema 2 se llama matriz de transformaci`on
correspondiente a T o representacion matricial de T.
Teorema
Sea A
T
la matriz de transformacion correspondiente a la transfor-
macion lineal T. Entonces
ImT = ImA
T
= C
A
T
(T) = (A
T
)
nu T = N
A
T
(T) = (A
T
)
Teorema
Sea A
T
ImT = ImA
T
= C
A
T
(T) = (A
T
)
nu T = N
A
T
(T) = (A
T
)
Teorema
Sea A
T
ImT = ImA
T
= C
A
T
(T) = (A
T
)
nu T = N
A
T
(T) = (A
T
)
Teorema
Sea A
T
ImT = ImA
T
= C
A
T
(T) = (A
T
)
nu T = N
A
T
(T) = (A
T
)
Ejemplo
Encuentre la matriz de transformacion A
T
correspondiente a la
proyeccion de un vector en R
3
sobre el plano xy.
Aqu T
_
_
x
y
z
_
_
=
_
_
x
y
0
_
_
. En particular, T
_
_
1
0
0
_
_
=
_
_
1
0
0
_
_
,
T
_
_
0
1
0
_
_
=
_
_
0
1
0
_
_
y T
_
_
0
0
1
_
_
=
_
_
0
0
0
_
_
. As,
A
T
=
_
_
1 0 0
0 1 0
0 0 0
_
_
.
Observe que A
T
_
_
x
y
z
_
_
=
_
_
1 0 0
0 1 0
0 0 0
_
_
_
_
x
y
z
_
_
=
_
_
x
y
0
_
_
Ejemplo
Encuentre la matriz de transformacion A
T
correspondiente a la
proyeccion de un vector en R
3
sobre el plano xy.
Aqu T
_
_
x
y
z
_
_
=
_
_
x
y
0
_
_
. En particular, T
_
_
1
0
0
_
_
=
_
_
1
0
0
_
_
,
T
_
_
0
1
0
_
_
=
_
_
0
1
0
_
_
y T
_
_
0
0
1
_
_
=
_
_
0
0
0
_
_
. As,
A
T
=
_
_
1 0 0
0 1 0
0 0 0
_
_
.
Observe que A
T
_
_
x
y
z
_
_
=
_
_
1 0 0
0 1 0
0 0 0
_
_
_
_
x
y
z
_
_
=
_
_
x
y
0
_
_
Ejemplo
Dena T : R
3
R
4
por T
_
_
x
y
z
_
_
=
_
_
_
_
x y
y + z
2x y z
x + y + 2z
_
_
_
_
Encuentre A
T
, nu T, ImT, (T) y (T).
Evaluando los elementos de la base canonica de R
3
en la
transformacion, tenemos que
T
_
_
1
0
0
_
_
=
_
_
_
_
1
0
2
1
_
_
_
_
, T
_
_
0
1
0
_
_
=
_
_
_
_
1
1
1
1
_
_
_
_
, T
_
_
0
0
1
_
_
=
_
_
_
_
0
1
1
2
_
_
_
_
Ejemplo
Dena T : R
3
R
4
por T
_
_
x
y
z
_
_
=
_
_
_
_
x y
y + z
2x y z
x + y + 2z
_
_
_
_
Encuentre A
T
, nu T, ImT, (T) y (T).
Evaluando los elementos de la base canonica de R
3
en la
transformacion, tenemos que
T
_
_
1
0
0
_
_
=
_
_
_
_
1
0
2
1
_
_
_
_
, T
_
_
0
1
0
_
_
=
_
_
_
_
1
1
1
1
_
_
_
_
, T
_
_
0
0
1
_
_
=
_
_
_
_
0
1
1
2
_
_
_
_
por lo que la matriz de transformacion A
T
queda como sigue:
A
T
=
_
_
_
_
1 1 0
0 1 1
2 1 1
1 1 2
_
_
_
_
Ahora se calculan el nucleo y la imagen de A
T
. La forma
escalonada por renglones de
_
_
_
_
1 1 0
0 1 1
2 1 1
1 1 2
_
_
_
_
es
_
_
_
_
1 1 0
0 1 1
0 0 1
0 0 0
_
_
_
_
. Esta forma tiene tres pivotes, de manera que
(A
T
) = 3 y (A
T
) = 3 3 = 0
El calculo de la nulidad se debe a que se cumple
(A
T
) + (A
T
) = n, donde n es el numero de columnas de A
T
.
por lo que la matriz de transformacion A
T
queda como sigue:
A
T
=
_
_
_
_
1 1 0
0 1 1
2 1 1
1 1 2
_
_
_
_
Ahora se calculan el nucleo y la imagen de A
T
. La forma
escalonada por renglones de
_
_
_
_
1 1 0
0 1 1
2 1 1
1 1 2
_
_
_
_
es
_
_
_
_
1 1 0
0 1 1
0 0 1
0 0 0
_
_
_
_
. Esta forma tiene tres pivotes, de manera que
(A
T
) = 3 y (A
T
) = 3 3 = 0
El calculo de la nulidad se debe a que se cumple
(A
T
) + (A
T
) = n, donde n es el numero de columnas de A
T
.
Esto signica que
nu T = {0} ,
ImT = gen
_
_
_
_
_
_
1
0
2
1
_
_
_
_
,
_
_
_
_
1
1
1
1
_
_
_
_
,
_
_
_
_
0
1
1
2
_
_
_
_
_
_
,
(T) = 0 y
(T) = 3
Esto signica que
nu T = {0} ,
ImT = gen
_
_
_
_
_
_
1
0
2
1
_
_
_
_
,
_
_
_
_
1
1
1
1
_
_
_
_
,
_
_
_
_
0
1
1
2
_
_
_
_
_
_
,
(T) = 0 y
(T) = 3
Esto signica que
nu T = {0} ,
ImT = gen
_
_
_
_
_
_
1
0
2
1
_
_
_
_
,
_
_
_
_
1
1
1
1
_
_
_
_
,
_
_
_
_
0
1
1
2
_
_
_
_
_
_
,
(T) = 0 y
(T) = 3
Esto signica que
nu T = {0} ,
ImT = gen
_
_
_
_
_
_
1
0
2
1
_
_
_
_
,
_
_
_
_
1
1
1
1
_
_
_
_
,
_
_
_
_
0
1
1
2
_
_
_
_
_
_
,
(T) = 0 y
(T) = 3
Esto signica que
nu T = {0} ,
ImT = gen
_
_
_
_
_
_
1
0
2
1
_
_
_
_
,
_
_
_
_
1
1
1
1
_
_
_
_
,
_
_
_
_
0
1
1
2
_
_
_
_
_
_
,
(T) = 0 y
(T) = 3
Ejemplo
Dena T : R
3
R
3
por T
_
_
x
y
z
_
_
=
_
_
2x y + 3z
4x 2y + 6z
6x + 3y 9z
_
_
Encuentre A
T
, nu T, ImT, (T) y (T).
Como T
_
_
1
0
0
_
_
=
_
_
2
4
6
_
_
, T
_
_
0
1
0
_
_
=
_
_
1
2
3
_
_
y
T
_
_
0
0
1
_
_
=
_
_
3
6
9
_
_
se tiene
A
T
=
_
_
2 1 3
4 2 6
6 3 9
_
_
Ejemplo
Dena T : R
3
R
3
por T
_
_
x
y
z
_
_
=
_
_
2x y + 3z
4x 2y + 6z
6x + 3y 9z
_
_
Encuentre A
T
, nu T, ImT, (T) y (T).
Como T
_
_
1
0
0
_
_
=
_
_
2
4
6
_
_
, T
_
_
0
1
0
_
_
=
_
_
1
2
3
_
_
y
T
_
_
0
0
1
_
_
=
_
_
3
6
9
_
_
se tiene
A
T
=
_
_
2 1 3
4 2 6
6 3 9
_
_
Para encontrar N
A
= nu T, se reduce por renglones para resolver
el sistema Ax = 0
_
_
2 1 3
4 2 6
6 3 9
0
0
0
_
_
=
_
_
1
1
2
3
2
0 0 0
0 0 0
0
0
0
_
_
por lo que
_
_
x
y
z
_
_
N
A
si x
1
2
y +
3
2
z = 0, o sea, x =
1
2
y +
3
2
z ,
estableciendo primero y = 1, z = 0 y despues y = 0, z = 1, se
obtiene una base para N
A
:
nu T = N
A
= gen
_
_
_
_
_
1
2
1
0
_
_
,
_
_
3
2
0
1
_
_
_
_
_
Entonces (T) = dimnu T = 2. Como solo existe un pivote para
A
T
se tiene que (T) = (A
T
) = 1. y por lo tanto
ImT = gen
_
_
_
_
_
2
4
6
_
_
_
_
_
.

05 Espacios Vectoriales y TL PDF

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

05 Espacios Vectoriales y TL PDF

Caricato da

Copyright:

Formati disponibili

Espacios Vectoriales y Transformaciones Lineales Transformaciones Lineales Deniciones y conceptos basicos Subespacios Combinacion Lineal Espacio generado Independencia

La denicion de espacio vectorial no especica la naturaleza

Cualquier tipo de objeto puede ser un vector

Es posible que las operaciones de adicion y multiplicacion

El unico requisito es que cumplan los 10 axiomas en la

La denicion de espacio vectorial no especica la naturaleza

Cualquier tipo de objeto puede ser un vector

Es posible que las operaciones de adicion y multiplicacion

El unico requisito es que cumplan los 10 axiomas en la

La denicion de espacio vectorial no especica la naturaleza

Cualquier tipo de objeto puede ser un vector

Es posible que las operaciones de adicion y multiplicacion

El unico requisito es que cumplan los 10 axiomas en la

La denicion de espacio vectorial no especica la naturaleza

Cualquier tipo de objeto puede ser un vector

Es posible que las operaciones de adicion y multiplicacion

El unico requisito es que cumplan los 10 axiomas en la

Cerradura bajo la suma Utilizando la operacion suma

Cerradura bajo la multiplicacion escalar Para que se

Cerradura bajo la multiplicacion escalar Para que se

Propiedad conmutativa En este axioma se tiene que

Propiedad asociativa De acuerdo a la suma de este

Propiedad distributiva Para vericar este axioma se

Propiedad distributiva Para vericar este axioma se

Propiedad asociativa De acuerdo con la propiedad

Identico escalar Veamos que se cumple el axioma

Los vectores son v

Los vectores son v

La nulidad de A = (A) = dimN

(A) = dimIm(A) = dimR

Se sabe que Im(A) = C

La nulidad de A = (A) = dimN

(A) = dimIm(A) = dimR

Se sabe que Im(A) = C

La nulidad de A = (A) = dimN

(A) = dimIm(A) = dimR

Se sabe que Im(A) = C

La nulidad de A = (A) = dimN

(A) = dimIm(A) = dimR

Se sabe que Im(A) = C

La nulidad de A = (A) = dimN

(A) = dimIm(A) = dimR

Se sabe que Im(A) = C

El espacio de los renglones de

A continuacion podemos ver que (A) = dimN

Para calcular el rango, podemos observar como quedo la

Una vez que tenemos el rango, es mas facil obtener Im(A),

A continuacion podemos ver que (A) = dimN

Para calcular el rango, podemos observar como quedo la

Una vez que tenemos el rango, es mas facil obtener Im(A),

A continuacion podemos ver que (A) = dimN

Para calcular el rango, podemos observar como quedo la

Una vez que tenemos el rango, es mas facil obtener Im(A),

A continuacion podemos ver que (A) = dimN

Para calcular el rango, podemos observar como quedo la

Una vez que tenemos el rango, es mas facil obtener Im(A),

Potrebbero piacerti anche