Algebra Lineal I Transformaciones Lineales

Algebra
Lineal
II

Indice
general
Introduccion
4. Transformaciones lineales
4.1. Transformaciones lineales . . . . . . . . . . . . . . . . . . .
lineal. . . . . . . .
4.2. Nucleo e imagen de una transformacion
de transformaciones lineales por matrices.
4.3. Representacion
4.4. Sistemas de ecuaciones lineales y transformaciones lineales
4.5. Espacios duales . . . . . . . . . . . . . . . . . . . . . . . . .
III
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
101
101
113
128
143
150
IV
INDICE GENERAL
Introduccion
VI
0. INTRODUCCION
Captulo 4
Transformaciones lineales
ABIENDO COMENZADO EL ESTUDIO DE LOS ESPACIOS VECTORIALES ,
es natural
pensar en compararlos. Para esto, como los espacios vectoriales son conjuntos,
sabemos que las funciones entre conjuntos son relaciones entre ellos y de alguna
manera los comparan. Ahora bien, los espacios vectoriales son conjuntos con una estructura adicional, a saber, sus elementos se pueden sumar y multiplicar por escalares
del campo dado. As, las funciones entre espacios vectoriales que nos interesan son
aquellos que preservan la estructura de espacio vectorial de los espacios involucrados;
es decir, consideraremos funciones entre espacios vectoriales que respetan la suma
de vectores y el producto de un escalar por un vector. Estas funciones se dice que
son lineales y en este captulo comenzamos su estudio, mostrando sus propiedades
entre funciones lineales entre espacios vectoriales de
para culminar con la conexion
finita y matrices con entradas en el campo dado.
dimension
4.1. Transformaciones lineales

comenzamos el estudio de las funciones lineales entre espacios
En esta seccion
vectoriales y de algunos subespacios vectoriales asociados a ellas. Varios ejemplos
ilustraran los conceptos y propiedades que veremos, en particular consideraremos
ejemplos importantes que provienen de la geometra de R2 , a saber, rotaciones, reflexiones y proyecciones. Tambien veremos algunos ejemplos que nos provee el Calcu e integracion
son funciones lineales.
lo: la derivacion
lineal de
Definicion
4.1.1 Sean V y W dos Kespacios vectoriales. Una transformacion
V en W , es una funcion T : V W que respeta la estructura de espacio vectorial, esto es,
se tiene que
1. T (u + v) = T (u) + T (v), u, v V, (aditividad),
2. T (v) = T (a), K, v V, (saca escalares).
101
102
4. TRANSFORMACIONES LINEALES
Notacion
4.1.2 Si T : V W es una transformacion lineal, algunas veces diremos que
T : V W es K-lineal, para enfatizar el papel del campo K en la definicion. Tambien
diremos que T es una aplicacion lineal o una funcion lineal.
Ejemplo 4.1 La funcion identidad, la funcion cero y la funcion homotecia son transformaciones lineales. Mas precisamente, sea V un K-espacio vectorial y K, entonces las
funciones IV , 0, H : V V , definidas por IV (v) := v, 0 (v) := 0, y H (v) := v son
transformaciones lineales.
Ejemplo 4.2 La funcion proyeccion es una transformacion lineal. Mas precisamente, si V :
V W V definida por V ((v, w)) := v es una transformacion lineal. Por ejemplo,
R2 : R2 R R2
: (x, y, z) 7 (x, y),
es lineal. En efecto, sean v = (v1 , v2 , v3 ), w = (w1 , w2 , w3 ) R2 R, entonces
R2 (v + w) =
=
=
=
R2 (v1 + w1 , v2 + w2 , v3 + w3 )
(v1 + w1 , v2 + w2 )
(v1 , v2 ) + (w1 , w2 )
R2 (v) + R2 (w),
as se verifica el axioma 1. Analogamente se tiene que R2 (v) = R2 (v).

Ejemplo 4.3 La funcion:
T : R3 R[x]
: (a, b, c) 7 a + bx + cx2 ,
es lineal. En efecto, sean v = (v1 , v2 , v3 ), w = (w1 , w2 , w3 ) R3 , entonces
T (v + w) =
=
=
=
T (v1 + w1 , v2 + w2 , v3 + w3 )
(v1 + w1 ) + (v2 + w2 )x + (v3 + w3 )x2
(v1 + v2 x + v3 x2 ) + (w1 + w2 x + w3 x2 )
T (v) + T (w),
analogamente, se prueba que T (v) = T (v).

Ejemplo 4.4 La funcion:
T : R2 R2
: (x, y) 7 (2x + y, x 3y) ,
4.1. TRANSFORMACIONES LINEALES
103
es una transformacion lineal. En efecto, sean v = (x1 , y1 ), w = (x2 , y2 ) R2 , entonces

T (v + w) =
=
=
=
T (v) =
=
=
=
T (x1 + x2 , y1 + y2 )
(2(x1 + x2 ) + (y1 + y2 ), (x1 + x2 ) 3 (y1 + y2 ))
(2x1 + y1 , x1 3y1 ) + (2x2 + y2 , x2 3y2 )
T (v) + T (w),
T (x1 , y1 )
(2 (x) + (y) , (x) 3 (y))
(2x + y, x 3y)
T (v) .
Ejemplo 4.5 La funcion :

3
2
L : R

R
x
x
1 0 1
y ,
: y 7
0 1 1
z
z
es una transformacion lineal. De hecho, si A Mmn (K) y definimos la funcion

TA : Rn Rm
: v
7 Av,
donde los elementos de Rk son vistos como vectores columna, se tiene que TA es una transformacion lineal, ya que, por las propiedades de las matrices tenemos:
TA (u + v) =
=
=
TA (u) =
=
=
A (u + v)
Au + Av
TA (u) + TA (v) , y
A (u)
Au
TA (u)
Ejemplo 4.6 Si C 1 (R) , C 0 (R) son los R-espacios vectoriales de funciones de clase C 1 o
continuas de R en R respectivamente. Definamos las funciones
D : C 1 (R) C 0 (R)
: f
7 Df, donde (Df ) (x) := f 0 (x)
y
I : C 0 (R) C 1 (R)
: f 7 I (f ) , donde I (f ) (x) :=
f (t) dt
0
104
son transformaciones lineales, ya que la derivada de una suma es la suma de las derivadas y
la derivada saca escalares, la integral de una suma es la suma de las integrales y tambien saca
escalares, es decir:
d
df
dg
(f + g) =
+
= Df + Dg, f, g C 1 (R)
dx
dx
dx

d
df
D (f ) =
= Df, K, y f C 1 (R)
(f ) =
dx
dx
Z x
Z x
Z x
I (f + g) (x) =
(f (t) + g (t)) dt =
f (t) dt +
g (t) dt = (I (f ) + I (g)) (x) ,
D (f + g) =
x R, y f, g C (R)
I (f + g) = I (f ) + I (g) , f, g C 0 (R)
Z x
Z x
Z x
I (f ) (x) =
(f ) (t) dt =
f (t) dt =
f (t) dt = (I (f )) (x) ,
0
x R, K y f C 0 (R)
I (f ) = I (f ) , K, f C 0 (R)
Observemos ademas que estas funciones en realidad s son funciones, es decir, estas funciones
estan bien definidas, ya que, si f es de clase C 1 entonces la funcion derivada f 0 es una funcion
contnua y esta es unica,
i.e. D es efectivamente una funcion. De igual manara, la funcion

integral I esta bien definida, dado que si f es continua entonces, por el teorema fundamental
del calculo la funcion I (f ) es una funcion de clase C 1 y es unica,
i.e. I es una funcion.

Ejemplo 4.7 Las rotaciones en R2 son transformaciones lineales. Si fijamos un a ngulo
R, dado un vector arbitrario v = (x, y) R2 , queremos obtener el vector R (v) que se obtiene
rotando el vector v alrededor del origen 0 de R2 , en el sentido contrario a las manecillas del
reloj si el a ngulo es positivo y en el mismo sentido si es negativo, un a ngulo :
Para facilitar la geometra involucrada, pensemos que es un a ngulo positivo y consideraremos el caso cuando el vector esta en el primer cuadrante de R2 , como en la figura anterior.
El vector v = (x, y) determina el triangulo rectangulo de catetos x, y, y denotemos su
hipotenusa por r. Observemos ahora que si es el a ngulo que hace el vector v y el semi
eje horizontal positivo:
R (v)
Figura 4.1: La rotacion
entre x, y,
Figura 4.2: Relacion
entonces
cos =
105
x
,
r
sen =
y
r
de aqu que
v = (x, y) = (r cos , rsen ) .
Consideremos ahora al vector R (v) = (a, b) y veamos ahora las dos figuras anteriores. La
primera observacion es que el triangulo rectangulo formado por el vector R (v) , los catetos
son x e y, y la hipotenusa es la misma r que la del vector v. Por esto se dice que las rotaciones
son transformaciones lineales rgidas, i.e., en particular no cambian las longitudes de los vectores. Observemos ademas que el a ngulo que forma R (v) con el semi eje horizontal positivo
es + . Entonces, si R (v) = (a, b) , sus componentes a, b satisfacen
a = r cos ( + ) ,
b = rsen ( + ) .
Por otro lado, recordemos que
cos ( + ) = cos cos sen sen
sen ( + ) = sen cos + sen cos
entonces
a = r cos ( + ) = r cos cos rsen sen
b = rsen ( + ) = rsen cos + rsen cos
y dado que x = r cos , y = rsen , obtenemos
a = x cos ysen
b = xsen + y cos ,
es decir, si v = (x, y) R2 , entonces
R (v) = (x cos ysen , xsen + y cos )
define la funcion rotacion. Observemos ademas, que si pensamos a los elementos de R2 como
vectores columna, podemos reescribir a esta funcion rotacion como

x
cos sen
x
x
R
=
,
R2 .
y
sen cos
y
y
De esto ultimo
vemos que efectivamente es una transformacion lineal, pues este es un caso

particular del ejemplo 4.5.
Ejemplo 4.8 Las reflexiones en R2 son transformaciones lineales. Consideremos la reflexion
R (v) del vector v R2 obtenida por reflexion del vector v con respecto a la recta que pasa
por el origen y forma un a ngulo con respecto al semi eje horizontal positivo:
106
R (v)
Figura 4.3: Reflexion
Procediendo de manera similar que en el ejemplo anterior, se tiene que
x
y
cos 2 sen 2
sen 2 cos 2
x
y
x
y
R2 ,
el cual, efectivamente es una transformacion lineal. Por ejemplo, si = 0 se tiene la reflexion

con respecto al eje horizontal
x
y
x
y
x
y
R2 ,
Si = 90 entonces se tiene la reflexion con respecto al eje vertical
x
y
x
y
sobre el eje x
x
y
R2 ,
sobre el eje y
Ejemplo 4.9 La funcion traza es una transformacion lineal. Esta funcion esta definida por:
T r : Mnn (K) K
: [aij ] T r ([aij ]) :=
n
X
i=1
la cual es claramente una transformacion lineal.
aii ,
107
Ejemplo 4.10 La funcion transposicion es una transformacion lineal. Esta funcion esta dada
por
t : Mnm (K) Mmn (K)
: A t (A) := At
la cual tambien es una transformacion lineal.
Hemos definido las transformaciones lineales como funciones T : V W entre espacios vectoriales que preservan sus operaciones. Las propiedades siguientes
deben ser entonces naturales:
Proposicion
4.1.3 Sea T : V W una transformacion K-lineal. Entonces se verifica
1. T (0V ) = 0W , donde OV y OW son los neutros aditivos de V y W respectivamente.
2. T (v) = T (v) , para toda v V.
3. T (u + v) = T (u) + T (v) , para toda , K, y u, v V.
Demostracion:
(1)-(2): Dado que T saca escalares y las propiedades de los espacios vectoriales, se tiene
T (0V ) =
=
=
T (v) =
=
=
T (0K 0V ), por prop. de los espacios vectoriales

0K T (0V ), T saca escalares
0W , por prop. de los espacios vectoriales
T ((1) v) , por prop. de los espacios vectoriales
(1) T (v) , T saca escalares
T (v) , por prop. de los espacios vectoriales.
(3): Dado que T es aditiva y saca escalares, tenemos

T (u + v) = T (u) + T (v)
= T (u) + T (v)
Proposicion
4.1.4 Si L : U V, y T : V W son transformaciones K-lineales, entonces
la composicion T L : U W tambien es una transformacion lineal.
108
Demostracion:
Sean u, v U y K, entonces
(T L) (u + v)
:
=
=
=
(T L) (u) :
=
=
=
de la composicion
= T (L (u + v)) , por definicion

T (L (u) + L (v)) , por aditividad de L
T (L (u)) + T (L (v)) , por aditividad de T
de la composicion
: (T L) (u) + (T L) (v) , por definicion

de la composicion
= T (L (u)) , por definicion

T (L (u)) , L saca escalares
T (L (u)) , T saca escalares
de la composicion.
(T L) (u) , por definicion
Proposicion
4.1.5 Si T : V W es una transformacion lineal biyectiva, entonces la
funcion inversa tambien es lineal.
Demostracion:
Sean w1 , w2 W, K y consideremos los unicos
vectores
v1 , v2 V tales que T (v1 ) = w1 y T (v2 ) = w2 . Entonces,
w1 + w2 = T (v1 ) + T (v2 ) = T (v1 + v2 ) , por aditividad de T
w1 = T (v1 ) = T (v1 ) , pues T saca escalares,
y as, tenemos
T 1 (w1 + w2 ) =
=
T 1 (w1 ) =
=
T 1 (T (v1 + v2 )) = T 1 T (v1 + v2 )
(v1 + v2 )
T 1 (T (v1 )) = T 1 T (v1 )
v1 .
Definicion
4.1.6 Si T : V W es una transformacion lineal biyectiva, diremos que T es
un isomorfismo de espacios vectoriales y que V es isomorfo a W, y escribimos V
= W.
anterior nos dice que la inversa de un isomorfismo de espaAs, la proposicion
cios vectoriales es tambien un isomorfismo de espacios vectoriales y ademas, si V es
isomorfo a W , tambien se tiene que W es isomorfo a V .
La palabra isomorfismo, de las raices griegas iso que significa igual, y morfe que
lineal biyectiva
significa forma, captura la propiedad de que una transformacion
entre dos espacios vectoriales identifica a estos espacios, tanto como conjuntos (por
como con respecto a sus estructuras, identificando la
la biyectividad de la funcion)
suma de un espacio con la suma del otro, e identificando el producto por un escalar
en un espacio con el producto por un escalar del otro. De esto, de alguna manera
presentados de diferente manera o
nos dice que los dos espacios son el mismo, solo
nombre.
109
Ejemplo 4.11 Si V es cualquier K-espacio vectorial, entonces la funcion identidad es un

isomorfismo, ya que por el ejemplo 4.1 es una transformacion lineal, y ademas es claro que es
biyectiva.
Usando este ejemplo y las dos proposiciones anteriores tenemos que la relacion
de equivalencia en el conjunto de todos los espade isomorfismo es una relacion
cios vectoriales, y una de las tareas del a lgebra lineal es conocer cuantos espacios
vectoriales hay salvo isomorfismo, y distinguir cuando dos espacios vectoriales son
de conocer algun
espacio vectorial isomorfo, W, a un espacio
diferentes. La razon
vectorial dado, V, es debido a que en el espacio V, las operaciones de suma de vectores y producto por un escalar pueden ser complicadas, pero no en W si e ste se
se probara que todo K-espacio vecescoje lo mas sencillo posible. En esta direccion,
finita, n, es isomorfo a Kn .
torial V de dimension
Ejemplo 4.12 Consideremos la funcion
T : M23 (R) R6
a b c
(a, b, c, d, e, f )
:
d e f
Entonces, T es un isomorfismo, y as M23 (R)
= R6 : pues claramente es lineal. Faltara ver
que es biyectiva. Para ver que es inyectiva consideremos
0 0 0
a b c
a b c
,B =
A=
d0 e0 f 0
d e f
tales que T (A) = T (B) , entonces
(a, b, c, d, e, f ) = (a0 , b0 , c0 , d0 , e0 , f 0 )
es decir, A = B. Para ver que T es suprayectiva, consideremos x = (a, b, c, d, e, f ) R6 , y
si tomamos
a b c
A=
d e f
se tiene que T (A) = x.
Es claro que este ejemplo se puede generalizar (ejercicio 1.13) y tenerse que
Mmn (K)
= Kmn .
De aqu que
M1n (K)
= Mn1 (K)
= Kn
o vectores
es decir, a los elementos de Kn los podemos pensar como vectores renglon
columna, dependiendo de nuestros intereses o incluso en su escritura, pues manejarlos como vectores columna ocupan mas espacio.
110
Ejemplo 4.13 La funcion

L : P2 (R) R3
: a + bx + cx2 (a, b, c)
es un isomorfismo. Es claro que es lineal, as que basta ver que es suprayectiva. Para ver que
L es inyectiva, supongamos que L (a1 + b1 x + c1 x2 ) = L (a2 + b2 x + c2 x2 ) , entonces
(a1 , b1 , c1 ) = (a2 , b2 , c2 )
es decir, a1 = a2 , b1 = b2 , y c1 = c2 ; y as, a1 + b1 x + c1 x2 = a2 + b2 x + c2 x2 . Para
ver que L es suprayectiva, tomemos cualquier (a, b, c) R3 , y si tomamos el polinomio
p (x) = a + bx + cx2 , tenemos que L (p (x)) = (a, b, c) .
Es claro que este ejemplo se puede generalizar, (ejercicio 1.13), teniendose que
Pn (K)
= Kn+1 .
Observemos de estos ejemplos que
dim (Mmn (K)) = mn = dim (Kmn )
dim (Pn (K)) = n + 1 = dim Kn+1 ,

se preservo bajo isomorfismo, se tendra esto en general?, la
es decir, la dimension
respuesta es afirmativa y nos la da la siguiente proposicion.

Proposicion
4.1.7 Sea T : V W una transformacion lineal inyectiva. Si v1 , . . . , vn son
vectores de V linealmente independientes, entonces T (v1 ) , . . . , T (vn ) son vectores de W
linealmente independientes.
lineal
Demostracion:
Supongamos que existe una combinacion
1 T (v1 ) + + n T (vn ) = 0W .
Entonces, como T es lineal, tenemos que
T (1 v1 + + n vn ) = 0W .
4.1.3, y dado que T es inyectiva,
Ahora, dado que T (0V ) = 0W , por la proposicion
tenemos que
1 v1 + + n vn = 0V
y dado que los vectores v1 , . . . , vn son linealmente independientes, tenemos que
1 = = n = 0,
y por lo tanto, T (v1 ) , . . . , T (vn ) son linealmente independientes.
111
Corolario 4.1.8 Sea T : V W un isomorfismo entre espacios vectoriales de dimension

finita, entonces dim (V ) = dim (W ) .
Demostracion:
Dado que T es un isomorfismo (en particular inyectiva), por la
anterior, tenemos que dim (V ) dim (W ) . Por otro lado, por la proposiproposicion
4.1.5, T 1 : W V es un isomorfismo (en particular inyectiva) y usando la
cion
anterior se tiene que dim (W ) dim (V ) ; es decir, dim (V ) = dim (W ) .
proposicion
Corolario 4.1.9 Sea T : V W una transformacion lineal, con V de dimension finita y
v1 , . . . , vn una base para V, entonces la imagen de T es generado por T (v1 ) , . . . , T (vn ) , es
decir, Im (T ) = hT (v1 ) , . . . , T (vn )i.
Demostracion:
() : Sea w Im (T ) , entonces existe v V tal que T (v) = w,
entonces existen 1 , . . . , n K (pues v1 , . . . , vn es una base para V ) tal que v =
1 v1 + + n vn ; y as, w = T (v) = T (1 v1 + + n vn ) = 1 T (v1 ) + + n T (vn ) ,
es decir, w hT (v1 ) , . . . , T (vn )i.
() : Sea w hT (v1 ) , . . . , T (vn )i, entonces existen 1 , . . . , n K tal que w =
1 T (v1 )+ +n T (vn ) y por la linealidad de T tenemos que w = T (1 v1 + + n vn ) ,
es decir, w Im (T ) .
Ejercicios 4.1
aditiva entre los K-espacios vectoriales V y W,
1.1 Si T : V W es una funcion
entonces
(i) Si K es un campo finito, se tiene que T es lineal.
(ii) Si K es un campo que contiene a Q como subcampo, entonces T saca escalares racionales.
lineal, demuestre que entonces existe
1.2 Si T : R R es una transformacion
R tal que T (x) = x, x R.Cuales son isomorfismos?.
lineal entre dos K-espacios vectoriales. Si
1.3 Sea T : V W una transformacion
v1 , . . . , vn V, y 1 , . . . , n K, demuestre que
T (1 v1 + + n vn ) = 1 T (v1 ) + + n T (vn ) .
lineal entre dos K-espacios vectoriales.
1.4 Sea T : V W una transformacion
si
Demustre que T es lineal si y solo
T (u + v) = T (u) + T (v) , , K, y u, v V.
1.5 Sean U, V, W y X cuatro K-espacios vectoriales y L : U W y T : V X
dos transformaciones lineales. Consideremos los productos cartesianos U V
y W X. Definamos la funcion
P : U V W X
: (u, v) P (u, v) := (L (u) , T (v)) .
Demuestre que P es lineal.
112
1.6 Sea V un K-espacio vectorial, y K un escalar diferente de cero, y definamos

T : V V
: v T (v) := v.
Demuestre que T es un isomorfismo.
1.7 Sean V, W dos K-espacios vectoriales y definamos las funciones inclusion

i1 :
:
i2 :
:
V V W
v i1 (v) := (v, 0W )
W V W
w i2 (w) := (0V , w) .
Demuestre que ambas funciones son lineales e inyectivas.
1.8 Sean V, W dos K-espacios vectoriales y definamos las funciones proyeccion

1 :
:
2 :
:
V W V
v 1 (v) := v
V W W
w 2 (w) := w.
Demuestre que ambas funciones son lineales y suprayectivas.

finita, y sea T : V V una trans1.9 Sea V un K-espacio vectorial de dimension
lineal. Si T T es la transformacion
lineal cero, demuestre que la
formacion
lineal IdV T : V V es un isomorfismo, donde IdV es la
transformacion
identidad de V en V.
1.10 Considere las siguientes funciones
f, g : R2 R2 definidas por
: f (x, y) := (x + y, x y)
: g (x, y) := (2x + y, 3x 5y) .
Demuestre que f y g son isomorfismos.
1.11 Considere las siguientes funciones
T, L : R3 R3 definidas por
: T (x, y) := (x y, x + z, x + y + 2z)
: L (x, y) := (2x y + z, x + y, 3x + y + z) .
Demuestre que T y L son isomorfismos.
LINEAL.
4.2. NUCLEO E IMAGEN DE UNA TRANSFORMACION
113
R : R2 R2 es un isomorfismo y calcule su
1.12 Demuestre que cualquier rotacion
inversa.
1.13 Demuestre que
Mmn (K)
Pn (K)
= Kmn
= Kn+1 .
elemental
1.14 Demuestre que cualquier operacion
e : Mmn (K) Mmn (K)
es un isomorfismo.
1.15 Sea B Mnn (K) fija. Demuestre que la funcion

TB : Mnn (K) Mnn (K)
: A TB (A) := AB BA
lineal.
es una transformacion
4.2. Nucleo e imagen de una transformacion

lineal.
estudiaremos algunos subespacios asociados a un transformacion
En esta seccion
lineal y usando estos subespacios derivamos algunas propiedades de las transforma culmina con una formula
de
ciones lineales. La seccion
que relaciona la dimension
lineal entre espacios de dimension
finita.
los espacios asociados a una funcion
Definicion
4.2.1 Sea T : V W una transformacion lineal. Se tienen los siguientes
conjuntos:
N uc (T ) : = {v V : T (v) = 0W } V,
Im (T ) : = {T (v) W : v V } W.
Al conjunto N uc (T ) se le llama nucleo

de la transformacion lineal T y al conjunto Im (T )
se le llama la imagen de la transformacion lineal T.
Proposicion
4.2.2 Sea T : V W una transformacion lineal, entonces
(i) N uc (T ) es un subespacio vectorial de V.
(ii) Im (T ) es un subespacio vectorial de W.
Demostracion:
Por el corolario 4.1.9 tenemos que efectivamente Im (T ) es un
subespacio vectorial de W, es decir, se tiene (ii) .
4.1.3. Supongamos que
(i) : 0W N uc (T ) ya que T (0V ) = 0W por la proposicion
u, v N uc (T ) , y K, entonces T (u) = 0W = T (v) y as, T (u + v) = T (u)+T (v) =
0W + 0W = 0W , es decir, u + v N uc (T ) . Ademas, T (u) = T (u) = 0W = 0W ; es
decir, u N uc (T ) .
114
Ejemplo 4.14 Si V = C 1 (R) es el R-espacio vectorial de las funciones diferenciables de R

en R, con derivada contnua, y W = C 0 (R) el R-espacio vectorial de las funciones contnuas
de R en R, y si D : V W la transformacion lineal derivada (D (f ) = f 0 ), entonces el
nucleo
de D es el subespacio de las funciones constantes en R.

Ejemplo 4.15 Si consideramos la transformacion lineal
T : R2 R2
: (x, y) T (x, y) := (3x + y, x 2y)
entonces el nucleo
de T es el subespacio de soluciones del sistema de ecuaciones homogeneo:

3x + y = 0
x 2y = 0.
Ejemplo 4.16 Si V y W son K-espacios vectoriales, 1 : V W V y 2 : V W W
son las proyecciones en V y W respectivamente, entonces
N uc (1 ) = {0V } W,
N uc (2 ) = V {0W },
Im (1 ) = V
Im (2 ) = W.
de suprayectividad, T : V W es suprayeciva si y solo

si Im (T ) =
Por definicion
W. Lo que es sorprendente es:
Proposicion
4.2.3 Sean V y W espacios vectoriales y T : V W una transformacion
lineal. Entonces T es inyectiva si y solo si N uc(T ) = 0W .
Demostracion:
() : Supongamos que T es inyectiva. Sea v N uc(T ), entonces
T (v) = 0W = T (0V ),
luego como T es inyectiva, tenemos que v = 0V .
() : Inversamente, supongamos que N uc(T ) = 0V y para u, v V tales que
T (u) = T (v), entonces T (u v) N uc(T ), as u v = 0V , por lo que u = v.
lineal entre espacios vecEl siguiente resultado nos dice que una transformacion
finita esta determinada por sus valores en cualquier base del
toriales de dimension
dominio:,
Teorema 4.2.4 (Existencia y unicidad de transformaciones lineales) Sean V y W dos
K-espacios vectoriales, con V de dimension finita y sea a = {v1 , ..., vn } una base de V. Si
{w1 , ..., wn } es un subconjunto de W , entonces existe una unica
transformacion lineal T :
V W , tal que
T (vi ) = wi , i = 1, ..., n.
Dicho en otras palabras :
(i) Cualquier funcion de la base a al espacio W se puede extender a una transformacion lineal
T : V W.
(ii) Si T, L : V W son dos funciones lineales tales que coinciden en la base a, es decir,
T (vi ) = L (vi ) para cada i = 1, . . . , n; entonces T = L en todo V.
LINEAL.
115
Demostracion:
(i) : Existencia. Veamos que T se puede extender linealmente a
todo V. Sea v V , entonces, dado que {v1 , ..., vn } es una base de V, existen escalares
unicos
1 , ..., n K, tales que
n
X
v=
i vi ,
i=1
As, extendemos a T como:

Te : V W
: v
7 Te (v) :=
n
X
i T (vi ) .
i=1
P
P
Afirmamos que Te es lineal. En efecto, sean u =
i vi , v =
i vi V, K,
entonces
n
!
n
X
X
Te(u + v) = Te
(i + i )vi :=
(i + i )T (vi )
i=1
n
X
i T (vi ) +
i=1
i T (vi )
i=1
= : Te(u) + Te(v).
n
!
n
X
X
e
e
T (u) = T
(i ) vi :=
(i ) T (vi )
=
i=1
n
X
i=1
i T (vi )
i=1
= : Te (u) .
de T.
Observese que efectivamente Te es una extension
e
(ii) : Unicidad: Ahora probaremos que T es unica.

Supongamos que existe una transe
lineal L : V W tal que T (vi ) = L (vi ) para cada i = 1, . . . , n. Sea
formaci
P on
v=
i vi V , entonces
X
X
L(v) = L(
i vi ) =
i L(vi )
X
= :
i T (vi )
= : Te(v),
es decir, Te = L.
Ejemplo 4.17 Considere la base {(1, 0), (0, 1)} de R2 y {(2, 1, 0), (3, 5, 2} R3 , encuentrese
la unica
transformacion lineal T : R2 R3 tal que

T (1, 0) = (2, 1, 0)
T (0, 1) = (3, 5, 2).
116
Sea v R2 , entonces v = (1, 0) + (0, 1) para algunos , R. Luego

T (v) =
=
=
=
T ((1, 0) + (0, 1))

T (1, 0) + T (0, 1)
(2, 1, 0) + (3, 5, 2)
(2 + 3, + 5, 2).
Es decir, la transformacion lineal pedida esta dada por

T : R2 R3
: (x, y) T (x, y) := (2x + 3y, x + 5y, 2y).
Definicion
4.2.5 Sean V y W espacios vectoriales y T : V W una transformacion
lineal. Supongamos que la dimension de V es finita, entonces definimos el rango de T como:
r(T ) := dim(Im(T )),
y definimos la nulidad de T por:
n(T ) := dim(N uc(T )).
Ejemplo 4.18 Consideremos la transformacion lineal:
T : R3 R3
: (x, y, z) 7 (0, x, y).
Entonces,
N uc(T ) = {(x, y, z) R3 : T (x, y, z) = 0}
= {(x, y, z) R3 : (0, x, y) = (0, 0, 0)}
= {(0, 0, z) R3 : z R}.
Claramente N uc(T ) = h(0, 0, 1)i, as n(T ) = 1. Analogamente,
Im(T ) = {T (x, y, z) R3 : (x, y, z) R3 }
= {(0, x, y) R3 : x, y R}.
Claramente Im(T ) = h(0, 1, 0), (0, 0, 1)i, por lo que r(T ) = 2.
El resultado siguiente relaciona las dimensiones del nucleo, imagen y dominio
finita) de una transformacion
lineal:
(de dimension
Teorema 4.2.6 Sean V y W espacios vectoriales, T : V W una transformacion lineal y
supongamos que la dimension de V es finita. Entonces,
dim(V ) = r(T ) + n(T ).
(4.1)
LINEAL.
117
Demostracion:
Si N uc(T ) = {0V }, entonces n(T ) = dim (N uc(T )) = 0, y por la
4.2.3 tenemos que T es inyectiva, y por la proposicion
4.1.7 tenemos que
proposicion
dim (V ) = dim (Im (T )) = r(T ), es decir, en este caso se tiene (4.1).
Si N uc(T ) 6= {0V }, sea {v1 , ..., vk } es una base del nucleo N uc(T ), y de aqu que
n (T ) = k. Entonces, existen vectores {vk+1 , ..., vn } de V tales que {v1 , ..., vk }{vk+1 , ..., vn }
es una base de V, y as, dim (V ) = n. Por el corolario 4.1.9 tenemos que
Im (T ) = hT (vi ) : i = 1, ..., ni = hT (vk+1 ) , ..., T (vn )i
4.1.7
pues {v1 , ..., vk } es una base del nucleo N uc(T ). Por otro lado, por la proposicion
tenemos que {T (vk+1 ) , ..., T (vn )} es linealmente independiente, ya que T retringido
al espacio generado por {vk+1 , ..., vn } es inyectiva, es decir
r (T ) = dim (Im (T )) = n k.
De todo esto se tiene que
dim (V ) = n,
n (T ) = k,
r (T ) = n k,
es decir, se cumple (4.1).

Teorema 4.2.7 (Inyectividad y suprayectividad en terminos de bases) Sean V , W espacios vectoriales y T : V W una transformacion lineal. Lo siguiente se verifica:
1. T es inyectiva si y solo si, para cada conjunto linealmente independiente a de V , tenemos que T (a) es linealmente independiente en W .
2. T es suprayectiva si y solo si, para cada conjunto generador a de V , tenemos que T (a)
genera a W.
3. T es biyectiva si y solo si, para cada base a de V , tenemos que T (a) es una base de W.
Demostracion:
(1). Supongamos que T es inyectiva y sea A = {v1 , ..., vn } a.
Deseamos probar que T (A) es linealmente independiente, lo cual se tiene por la
4.1.7.
proposicion
Inversamente, supongamos que para cada conjunto linealmente independiente a de
V , tenemos que T (a) es linealmente independiente en W . Sea v N uc(T ) y b una
base del N uc(T ), entonces para ciertos vi , i K, i = 1, ..., n, tenemos que
v=
n
X
i vi ,
i=1
luego
T (v) =
n
X
i T (vi ) = 0,
i=1
y dado que T (b) es linealmente independiente por hipotesis,

debemos tener que i =
4.2.3 se tiene que
0, i, por lo que v = 0; es decir, N uc(T ) = {0V } y por la proposicion
T es inyectiva.
(2) y (3) se prueban de manera analoga.
118
Notacion
4.2.8 Sean V y W dos K-espacios vectoriales. Denotemos por F(V, W ) al conjunto
de funciones de V en W , y por L(V, W ) al conjunto de transformaciones lineales de V en W ;
es decir,
F(V, W )
= {f : V W | f es una funcion}
L(V, W ) = {T : V W | f es una trans. K-lineal}.
Es claro que F(V, W ) es un K-espacio vectorial con las operaciones definidas como
sigue:
f + g F(V, W )
Suma: Si f, g F(V, W ), definimos la suma f + g como la funcion
definida por
(f + g) (v) := f (v) + g (v) , para cada v V,
usando en el lado derecho la suma de vectores en W.
Producto por un escalar: Si f F(V, W ), y K, definimos el producto f como la
f F(V, W ) definida por
funcion
(f ) (v) := (f (v)) , para cada v V,
donde en el lado derecho se tiene el producto de un escalar por un vector en W.
de la suma y producto por un escalar en F(V, W ) no
Observe que en la definicion
interviene la estructura de espacio vectorial de V, esto nos dice que F(V, W ) es un
sin la hipotesis
espacio vectorial aun

de que V lo sea, basta con que sea un conjunto
arbitrario.
Lo que mostraremos es que L(V, W ) es un subespacio vectorial de F(V, W ), donde
si V y W son de
aqu s se usa la estructura de espacio vectorial de V. Mas aun,
finita, digamos dimK (V ) = m, y dimK (W ) = n, podemos preguntarnos
dimension
del espacio vectorial L(V, W ). Lo que se
de manera natural cual sera la dimension
mostrara enseguida es que L(V, W ) es isomorfo al espacio de matrices Mnm (K) ,
de L(V, W ), donde nos dice que cualquier
donde de paso se prueba la dimension
lineal de V en W se puede representar como una matriz con entradas
transformacion
que hace el isomorfismo correspondiente.
en el campo K, salvo la identificacion
Teorema 4.2.9 Sean V y W dos K-espacios vectoriales. Entonces L(V, W ) es un subespacio
vectorial de F(V, W ). Mas aun,
si V y W son de dimension finita, digamos, m y n respectivamente, entonces
dim (L(V, W )) = mn.
Demostracion:
Para la primera parte, basta probar que, si L, T L(V, W ), K,
entonces L + T, T L(V, W ).
Veamos que L + T, T L(V, W ) :
LINEAL.
119
(Aditividad): Sean u, v V , entonces

(L + T )(u + v)
:
=
=
=
(T ) (u + v) :
=
=
=
= L(u + v) + T (u + v)
L (u) + L (v) + T (u) + T (v) , pues L y T son lineales
(L (u) + T (u)) + (L (v) + T (v))
: (L + T ) (u) + (L + T ) (v) .
= (T (u + v))
(T (u) + T (v)) , pues T es lineal
(T (u)) + (T (v))
(T ) (u) + (T ) (v) .
(Saca escalares): Sean v V y K, entonces

(L + T ) (v)
:
=
=
=
(T ) (v) :
=
=
=
=
= L (v) + T (v)
L (v) + T (v) , pues L y T son lineales
(L (v) + T (v))
: (L + T ) (v) .
= (T (v))
(T (v)) , pues T es lineal
() (T (v))
( (T (v)))
(T ) (v)
Para probar la segunda parte, consideremos a = {v1 , ..., vm } V y b = {w1 , ..., wn }

W bases para V y W respectivamente. Para cada p y q, donde 1 p n, 1 q m,
definamos
Ep,q
qi
: a W
: vi 7 qi wp , para cada i {1, . . . , m}, donde
= 1 si q = i, y qi = 0 si q 6= i;
4.2.4 se extiende a una unica
lineal Ep,q L(V, W ).

y por la proposicion
transformacion
Afirmamos que el conjunto
c
= {Ep,q : 1 p n, 1 q m}
es una base para L(V, W ). Sea T L(V, W ), para cada vj a tenemos que, dado que
b es una base para W, existen escalares 1j , . . . nj K tales que
T (vj ) =
n
X
p=1
pj wp .
120
Ahora bien, definamos

U=
m X
n
X
pq Ep,q ,
q=1 p=1
entonces
U (vj ) =
=
=
m X
n
X
q=1 p=1
n X
m
X
pq Ep,q (vj )
pq qj wp
p=1 q=1
n
X
pj wp
p=1
= T (vj ),
4.2.4 se sigue que U = T , por lo que c genera a L(V, W ). Siguieny por la proposicion
do con este argumento, si U = 0, entonces
U (vj ) =
n
X
pj wp = 0, para cada j {1, . . . , m}
p=1
Y dado que b = {w1 , ..., wn } es una base de W se tiene que pj = 0, p, j. Esto nos
dice que c es linealmente independiente en L(V, W ); y por lo anterior, tenemos que
c es una base de L(V, W ).
Corolario 4.2.10 La funcion
M
AT
: L(V, W ) Mnm (K)

: T AT , donde
= [ij ]
es un isomorfismo K-lineal.
depende de las bases que se tomen en V y W ; mas
Observese que esta funcion
depende del orden en que se tomen los elementos de estas bases. Sobre esto
aun,
hablaremos de manera mas precisa en la siguiente seccion.

Notacion
4.2.11 Denotemos por IV L(V, V ) (o simplemente I si no hay peligro de confusion) a la transformacion lineal identidad.
Proposicion
4.2.12 Sean V, W y Z tres K-espacios vectoriales. Para f, f1 , f2 L(V, W ) y
g, g1 , g2 L(W, Z) se verifican las siguientes igualdades:
1. g (f1 + f2 ) = g f1 + g f2 L(V, Z),
LINEAL.
121
2. (g1 + g2 ) f = g1 f + g2 f L(V, Z),

3. g (f ) = (g) f = (g f ) L(V, Z).
de composicion,
la proposiDemostracion:
Esto es consecuencia de la definicion
anterior y la proposicion
4.1.4.
cion
Corolario 4.2.13 En particular, la ley de composicion
L(V, V ) L(V, V )
L(V, V )
(f, g) 7 f g
da que (L(V, V ), +, ) es un anillo con unidad, el elemento unidad 1V es la transformacion

identidad en V .
El siguiente teorema nos caracteriza los isomorfismos entre espacios vectoriales
finita.
de dimension
Teorema 4.2.14 Sean V y W dos K-espacios vectoriales con dimension finita y T : V
W una transformacion lineal. Si dim(V ) = dim(W ), entonces lo siguiente es equivalente:
1. T es biyectiva,
2. T es inyectiva,
3. T es suprayectiva.
Demostracion:
(1)=(2), (1)=(3) son obvias.
(2)=(3), (2)=(1): Supongamos que T es inyectiva y sea a = {v1 , ..., vn } una base
4.1.7, tenemos que T (a) es linealmente independiente en W .
de V . Por proposicion
Ahora bien, como |T (a)| = n = dim(W ), tenemos que T () es una base de W . Luego,
por 4.2.7 se tiene que T es suprayectiva, es decir, se tiene (3), y ademas T es biyectiva,
es decir, se tiene (1). Esto demuestra que (2)=(3) y (2)=(1). Analogamente, se
prueba (3)=(2) y (3)=(1).
Teorema 4.2.15 Sean V y W dos K-espacios vectoriales de dimension finita. Entonces V
=
W si y solo si dim (V ) = dim (W ).
Demostracion:
() : Supongamos que V
= W , entonces existe un isomorfismo
T : V W y por el corolario 4.1.8 tenemos que dim (V ) = dim (W ) .
() : Inversamente, supongamos que dim (W ) = dim (V ). Sean a = {v1 , ..., vn } base
de V y b = {w1 , ..., wn } base de W . Entonces por el Teorema 4.2.4 existe una unica
lineal
aplicacion
T : V W
: vi
7 wi .
P
P
Ahora bien, sea w =
i wi W , entonces T ( i vi ) = x, por lo que T es suprayectiva, y por el teorema anterior debe ser biyectiva. As T es un isomorfismo entre V y
W.
122
Corolario 4.2.16 Si V es un K-espacio vectorial de dimension n, entonces V

= Kn .
Corolario 4.2.17 Sean V y W dos K-espacios vectoriales de dimension m y n respectivamente, entonces
L (V, W )
= Mnm (K) .
Corolario 4.2.18 Si n, m N tal que n 6= m, entonces Rn Rm .
Ejemplo 4.19 Los espacios vectoriales P3 (K) y M22 (K) son isomorfos, pues dim (P3 (K)) =
4 = dim M22 (K). Un isomorfismo esta dado por:
T : P3 (K) M22 (K)
a b
2
: ax + bx + cx + d 7
.
c d
Ejemplo 4.20 La transformacion lineal
T : R3 K2 [x]
: (a, b, c) 7 a + (a + b)x + (a + b + c)x2
es un isomorfismo. En efecto, sea (a, b, c) N uc(T ), entonces
0 = T (a, b, c) = a + (a + b)x + (a + b + c)x2 ,
luego a = 0, a + b = 0, a + b + c = 0, as a = b = c = 0. De aqu que N uc(T ) = {0V }. En
consecuencia, T es inyectiva y por (4.1) tenemos que
dim(R3 ) =
=
=
=
r(T ) + n(T )
r(T )
dim (Im(T ))
3,
as T es suprayectiva. Luego T es un isomorfismo. O bien, por Teorema 4.2.14 y dado que

dim(R3 ) = 3 = dim (P2 (K)) se tiene que T es biyectiva, es decir, T es un isomorfismo.
T : R3 K2 [x]
: (a, b, c) 7 a + (a + b)x,
no es un isomorfismo, pues T (0, 0, 1) = 0, por lo que N uc(T ) 6= 0.
T : R3 R4
: (a, b, c) 7 (a + b, b + c, a + c, a + b)
no es un isomorfismo pues, dim (R3 ) 6= dim (R4 ).
LINEAL.
123

T : R3 R3
: (a, b, c) 7 (a + b + c, a + b, a + b, a + b),
no es un isomorfismo. En efecto, un calculo directo muestra que
Im(T ) = {(a, b, b) : a, b R},
luego (1, 2, 3)
/ Im(T ), as T no es suprayectiva.
Sea V un K-espacio vectorial y W un subespacio vectorial de V. Definamos una
en V como sigue: dados u, v V
relacion
u v u v W.
de equivalencia en V. As,
Se puede demostrar con facilidad que es una relacion
induce el espacio cociente consistente del conjunto de todas las clases
esta relacion
de equivalencia, es decir
V /W : = {[u] : u W }, donde
[u] : = {v V : u v}
de equivalencia se obtiene sin dificultad que:
Con respecto a esta relacion
[u] = u + W =: {u + v : v W }
[u] = [v] u v W.
(4.2)
El espacio cociente tiene estructura de espacio vectorial:

Suma: Sean [u], [v] V /W, definamos [u] + [v] := [u + v].
Producto por un escalar: Sea [u] V /W, y K, definamos [u] := [u].
Lema 4.2.19 Las operaciones anteriores estan bien definidas.
Demostracion:
Veamos que las operaciones anteriores no dependen de los representantes que se tomen de las clases de equivalencia.
La suma esta bien definida: Supongamos que [u0 ] = [u], y [v 0 ] = [v], por demostrar que
[u0 ]+[v 0 ] = [u]+[v], es decir, [u0 +v 0 ] = [u+v]. Por (4.2) tenemos que [u0 +v 0 ] = [u+v]
(u0 + v 0 )(u + v) = (u0 u)+(v 0 v) W, lo cual se tiene pues (u0 u) , (v 0 v) W
(pues [u0 ] = [u], y [v 0 ] = [v] y (4.2)) y W es un subespacio vectorial.
El producto por un escalar esta bien definido: Supongamos que [u0 ] = [u] y K, por
demostrar que [u0 ] = [u] , es decir, [u0 ] = [u]. Por (4.2) tenemos que [u0 ] =
[u] (u0 ) (u) = (u0 u) W, lo cual se tiene pues (u0 u) W (pues
[u0 ] = [u] y (4.2)) y W es un subespacio vectorial.
Se demuestra sin mucha dificultad que
124
Proposicion
4.2.20 Sea V un K-espacio vectorial y W un subespacio vectorial de V, entonces el espacio cociente (V /W, K, +, ) es un espacio vectorial. Mas aun,
la funcion proyeccion
: V V /W
: v (v) := [v]
es una transformacion lineal suprayectiva.
de enunciar el primer teorema de isomorfismo:
Ahora estamos en posicion
Teorema 4.2.21 (Primer teorema de isomorfismo) Sea W un subespacio vectorial de V
y T : V V 0 una transformacion lineal tal que W N uc(T ). Entonces existe una unica
0
transformacion lineal U : V /W V tal que el siguiente diagrama conmuta:
V
&
V 0
%U .
V /W
Mas aun,
Im(U ) = Im(T ) y N uc(U ) = N uc(T )/W .
Demostracion:
En efecto, definamos
U : V /W V
: [v] T (v) .
esta bien definida, es decir, esta funcion
no depende del
Vemos que esta funcion
representante que se tomo de cada clase de equivalencia. Si [u] = [v] , entonces u
v W , luego T (v1 v2 ) = 0 (pues W N uc(T )) por lo que U ([u]) = T (u) =
T (v) = U ([v]), as U esta bien definida. Un calculo directo muestra que U es una
lineal. Claramente U = T , ademas, como es suprayectiva esto
transformacion
si T (v) = 0V , es decir,
dice que Im(U ) = Im(T ). Por otro lado, U ([v]) = 0V si y solo
si v N uc(T ), luego [v] N uc(T )/W , por lo que N uc(U ) = N uc(T )/W .
si y solo
Corolario 4.2.22 Sean T : V V 0 una transformacion lineal y W = N uc(T ), entonces
T (V )
= V /W.
Teorema 4.2.23 (Segundo teorema de isomorfismo) Sean W1 , W2 subespacios de V , entonces
W1 /(W1 W2 )
= (W1 + W2 )/W2 .
canonica.
Demostracion:
Sea : V V /W1 la proyeccion
Denotemos por T :
de a W2 . Entonces T es lineal y suprayectiva de W2
W2 V /W1 a la restriccion
en (W1 + W2 )/W2 , as por el primer teorema de isomorfismo, tenemos que
(W1 + W2 )/W2
= W1 /N uc(T ),
y un calculo directo muestra que N uc(T ) = W1 W2 .
LINEAL.
125
Teorema 4.2.24 (Tercer teorema de isomorfismo) Sean W2 , W1 subespacios de V tales

que W2 W1 , entonces
(V /W2 )/(W1 /W2 )
= V /W1 .
Demostracion:
Sea
T : V /W2 V /W1
: v + W2 7 v + W1 ,
lineal. Mas aun,
N uc(T ) =
un calculo directo muestra que esta es una transformacion
W1 /W2 , luego el resultado se sigue del primer teorema de isomorfismo.
Definicion
4.2.25 Si V y W son dos K-espacios vectoriales y consideremos su producto
cartesiano V W. Es decir
V W = {(u, w) : v V, w W }.
En el conjunto V W se definen las siguientes operaciones:
Suma Si (v, w) , (v 0 , w0 ) V W , se define
(v, w) + (v 0 , w0 ) := (v + v 0 , w + w0 )
observando que en el lado derecho, v+v 0 y w+w0 es la suma en V y W respectivamente.
Producto por un escalar Si (v, w) V W y K, se define
(v, w) := (v, w) ,
observando en el lado derecho que v y w es el producto escalar en V y W respectivamente.
Se verifica facilmente que V W es un K-espacio vectorial con las operaciones anteriores (ejercicio 4.3), al cual se le llama el producto directo de V y W.
En el captulo anterior se estudio la suma directa de dos subespacios vectoriales
de producto directo
V y W de un espacio vectorial U. Observese que en la definicion
se requiere que V y W sean dos espacios vectoriales y no necesariamente subesolo
spacios de un espacio vectorial; es por esto que siempre se tiene definido el producto
directo de dos espacios vectoriales y la suma directa no necesariamente esta definida
ya que se requiere que los espacios involucrados sean subespacios de otro espacio
habra entre la suma y producto directo cuando estos tengan
vectorial. Que relacion
sentido?
Proposicion
4.2.26 Sean V y W dos subespacios vectoriales de un K-espacio vectorial U.
Entonces, la funcion natural
T : V W V W
: (v, w) T (v, w) := v + w
es un isomorfismo.
126
Demostracion:
(1): T es lineal, ya que si (v, w) , (v 0 , w0 ) V W , y K, entonces
T ((v, w) + (v 0 , w0 ))
:
:
=
=
T ( (v, w)) :
=
=
= T (v + v 0 , w + w0 )
= (v + v 0 ) + (w + w0 )
(v + w) + (v 0 + w0 )
: T (v, w) + T (v 0 + w0 ) .
= T (v, w) := v + w
(v + w)
T (v, w) .
4.2.3 basta probar que N uc (T ) = {(0U , 0U )}. Sea

(2) T es inyectiva. Por la proposicion
(v, w) N uc (T ) , entonces T (u, v) = 0U y as, 0U = T (v, w) := v + w implica que
que v = w y de aqu que v, w V W. Pero, dado que V W es una suma directa,
V W = {0U }, entonces v = 0U = w, i.e. (v, w) = (0U , 0U ) .
(3) T es suprayectiva. Si v + w V W, entonces (v, w) V W y ademas T (v, w) =
v + w.
Ejercicios 4.2
2.1 Demuestre que F (V, W ) es un K-espacio vectorial.
2.2 Demuestre que V /W es un K-espacio vectorial.
2.3 Compruebe que V W es un K-espacio vectorial.
finita, demuestre que
2.4 Si V y W son dos K-espacios vectoriales de dimension
dimK (V W ) = dimK (V ) + dimK (W ) .
2.5 Si T L (V, W ) es inyectiva, demuestre que T : V Im (T ) es un isomorfismo.
finita, T
dimK (V ) > dimK (W ) , demuestre que T no puede ser inyectiva.
L (V, W )
finita, T
dimK (V ) < dimK (W ) , demuestre que T no puede ser suprayectiva.
L (V, W )
2.8 Sea V = C ([0, 1] , R) el R-espacio vectorial de funciones diferenciables de

derivada, es decir,
clase C en el intervalo [0, 1] , y sea D : V V la funcion
0
D (f ) = f . Calcule el nucleo de D.
2.9 Sea V y D como en el ejercicio anterior, fijemos un escalar R. Si T = D
IdV : V V , calcule su nucleo.
LINEAL.
127
2.10 Sea
T : Mnn (K) Mnn (K)
: A T (A) := A At .
(i) Muestre que T es lineal.
(ii) Calcule el nucleo

de T.
(iii) Calcule dimK (N uc (T )) .
2.11 Si U y V subespacios de W, y definamos
T : U V W
: (u, v) T (u, v) := u w.
(i) Muestre que T es lineal.
(ii) Calcule el nucleo de T.
(iii) Calcule la imagen de T.
lineal
2.12 Consideremos la transformacion
T : Mnm (K) L (Km , Kn )
: A T (A) : Km Kn
:
v T (A) (v) := Av
donde Km , Kn son vistos como espacios vectoriales donde sus elementos son
vectores columna. Demuestre que T es un isomorfismo, probando lo siguiente:
a) Demuestre que T es lineal.
b) Demuestre que T es inyectiva. Sugerencia: si A Mnm (K) entonces
Aej = columna j-esima de A, donde e1 , . . . em es la base canonica de Km .
c) Demuestre que T es suprayectiva. Sugerencia: dado L L (Km , Kn ) , con
sidere la matriz A = [i,j ] asociada a L inducida por las bases canonicas
de Km y Kn (vease el Teorema 4.2.9).
lineal tal que P 2 = P (donde P 2 = P P ).
2.13 Sea P : V V una transformacion
Demuestre que V = N uc (P ) Im (P ) . Sugerencia: si v V, entonces v =
(v P (v)) + P (v) .
2.14 Si U y V subespacios de W tales que U V = {0}, y consideremos las inclusiones
i1 :
:
i2 :
:
U U V
u u = u + 0V
W U V
w w = 0U + w
128
y las proyecciones
p1 :
:
p2 :
:
U V U
u+v u
U V V
u + v v.
(i) Muestre que i1 , i2 son transformaciones lineales inyectivas.

(ii) Muestre que p1 , p2 son dos transformaciones lineales suprayectivas.
(iii) Demuestre que Im (i1 ) = N uc (p1 ) e Im (i2 ) = N uc (p2 ) .
4.3. Representacion
de transformaciones lineales por matrices.
se supondra que todos los espacios vectoriales son de dimension
En esta seccion
finita y consideraremos bases ordenadas, es decir
Definicion
4.3.1 Si V es un espacio vectorial de dimension finita, y a = {v1 , . . . vn } es una
base de V y escojemos un orden de los elementos de esta base, se dira que a = {v1 , . . . vn } es
una base ordenada de V. Si u V, entonces existen escalares unicos
1 , . . . , n K tal
que
u = 1 v1 + + n vn
entonces se dice que (1 , . . . , n )t Kn son las coordenadas de u en la base a, y se denota
por
[u]a = ... .
n
Ojo, el orden de a = {v1 , . . . vn } es importante, pues si a0 es una permutacion de la base a,
entonces [u]a0 es la correspondiente permutacion de [u]a .
n, denotemos por c = {e1 , e2 , . . . , en }
Dado que Kn es un espacio vectorial de dimension
a la base canonica
ordenada de vectores unitarios de Kn . Si otra base no es explcita
mente mensionado, se asumira que la base es la base canonica,
y si escribimos

8
7
v=
4
se entendera que esta en terminos de la base canonica

c, en el sentido de que v =
[v]c = 8 e1 + 7 e2 + 4 e3 ; es decir, el vector v son las coordenadas de v en la base
canonica
c. Las coordenadas est
andares de un vector en Kn son las coodenadas en la
base canonica
c.
DE TRANSFORMACIONES LINEALES POR MATRICES.

4.3. REPRESENTACION
129
Problema 4.3.2 Si el vector v R3 cuyas coordenadas en la base canonica son

8
v = 7 ,
4
determine las coordenadas de v en la base

1
1
1
a=
v1 = 1 , v 2 = 2 , v 3 = 2
1
2
3
el objetivo es encontrar escalares 1 , 2 , 3 R, tales que v = 1 v1 + 2 v2 +
Solucion:
3 v3 . Esto es simplemente el sistema de ecuaciones lineales
1 1 1
1
8
1
9
1 2 2 2 = 7 [v] = 2 = 2 .
a
1 2 3
3
4
3
3
Observacion
4.3.3 Sean V y W dos K-espacios vectoriales con dimension n y m respectivamente y a = {v1 , ..., vn } una base ordenada para V , b = {w1 , ..., wm } una base ordenada
para W. Entonces, por el Teorema 4.2.4, cualquier aplicacion lineal
T : V W,
esta totalmente determinada por los valores: T (vj ) W . Ademas,
T (vj ) =
m
X
ij wi ,
i=1
para ciertos escalares ij K. En consecuencia T esta totalmente determinada por la matriz

A = [ij ] Mmn (K) . Es decir,
1j
[T (vj )]b = ... = columna j-esima de la matriz A.

nj
A la matriz A se le llama la matriz asociada a T con respecto a las bases a y b, a la cual
se le denota por [T ]ba . Si T : V V lineal, denotaremos por [T ]a en lugar de [T ]aa .
Observacion
4.3.4 Recordemos ademas que
c
= {Ep,q : 1 p m, 1 q n}
130
es una base (canonica con respecto a las bases a y b) para L(V, W ), y ademas
T =
m X
n
X
pq Ep,q ,
q=1 p=1
es decir, si consideramos a c como una base ordenada, por ejemplo,

c
= {E11 , . . . , En1 , E12 , . . . , En2 , . . . , E1n , . . . , Enn }
(4.3)
entonces
[T ]c = (11 , . . . , n1 , 12 , . . . , n2 , . . . , 1n , . . . , nn )t ,
de aqu que las coordenadas de T en la base c son las columnas de la matriz [T ]ba , as que la
matriz [T ]ba la podemos pensar como las coordenadas de T en la base c.
Observacion
4.3.5 (linealidad de las matrices asociadas) Sean T, U L(V, W ), entonces [T +U ]ba = [T ]ba + [U ]ba . En efecto, la aplicacion T +U esta totalmente determinada
por los valores
(T + U )(vj ) = T (vj ) + U (vj )
m
m
X
X
=
ij wi +
ij wi
i=1
m
X
i=1
(ij + ij )wi .
i=1
Todo esto lo resumiremos en el siguiente teorema.

Teorema 4.3.6 Sean V y W dos K-espacios vectoriales con dimension n y m respectivamente y a = {v1 , ..., vn } y b = {w1 , ..., wm } bases ordenadas de V y W respectivamente. Si
T : V W es una transformacion lineal, entonces c (como en 4.3) es una base ordenada de
L(V, W ), inducida por a y b; y adem
as, las coordenadas de T con respecto a c son las columnas
de la matriz
[T ]ba = ([T (v1 )]b , [T (v2 )]b , , [T (vn )]b ) .
Ademas, la funcion
M : L(V, W ) Mmn (K)
: T M (T ) := [T ]ba
es un isomorfismo K-lineal. Mas aun,
para v V , tenemos que
[T (v)]b = [T ]ba [v]a .
donde el lado derecho es la multiplicacion de matrices.

4.3. REPRESENTACION
131
Demostracion:
Falta probar que M es un isomorfismo y que [T (v)]b = [T ]ba [v]a .
4.3.5 que M es lineal. Ahora bien, si A = [ij ] Mmn (K),
Se sigue de la observacion
entonces la aplicacion:
T : V W
m X
n
X
: v 7
(
ij j )wi ,
i=1 j=1
P
N de Mmn (K) en L(V, W ).
donde v = ni=1 i vi , es lineal. Esto define una aplicacion
Un calculo directo muestra que las aplicaciones MPy N son inversas una de la otra.
notese
Para la segunda afirmacion,

que si v = ni=1 i vi V , entonces
[v]a = ... , [T ]ba = [ij ] ,

n
Pn
j=1 1j j
..
[T ]ba [v]a =
.
Pn
j=1 mj j
n
X
T (v) =
j T (vj )
j=1
n
X
m
X
j=1
ij wi
i=1
n
m
X
X
i=1
ij j
!
wi ,
j=1
luego, [T (v)]b = [T ]ba [v]a .

Observacion
4.3.7 Observemos que la ecuacion [T (v)]b = [T ]ba [v]a en el Teorema anterior
nos dice que el siguiente diagrama es conmutativo:
T
V
W
a
b
[T ]b
a
Km
Kn
: donde
a (v) = [v]a ,
v
T (v)
b
[v]a [T ]a [v]a = [T (v)]b
b (w) = [w]b
donde [T ]ba es visto como la transformacion lineal asociada a la matriz A = [T ]ba , (vease el
ejercicio 2.12).
T : R2 R3
: (x, y) 7 (x + 3y, 0, 2x 4y),
132
y si a ={e1 , e2 } y ={e01 , e02 , e03 } son las bases canonicas de R2 y R3 respectivamente, entonces
T (1, 0) = (1, 0, 2) = 1 e01 + 0 e02 + 2 e03
T (0, 1) = (3, 0, 4) = 3 e1 + 0 e2 + (4) e3
es decir
1
[T (e1 )]b = 0 ,
2
de aqu que
3
[T (e2 )]b = 0
4
1 3
[T ]ba = 0 0 .
2 4

D : P3 (K) P2 (K)
: p
7 D (p) := p0 .
Deseamos calcular la matriz asociada a D con respecto a las bases a = {1, x, x2 , x3 } y
{1, x, x2 } de P3 (K) y P2 (K) respectivamente. De un calculo directo se obtiene
D(1)
D(x)
Dx2 )
D(x3 )
=
=
=
=
0 = 0 1 + 0 x + 0 x2 ,
1 = 1 1 + 0 x + 0 x2 ,
2x = 0 1 + 2 x + 0 x2 ,
3x2 = 0 1 + 0 x + 3 x2 ,
Es decir,

0
1
0
0
2
3
0 , [D(x)]a =
0 , D(x ) a =
2 , D(x ) a =
0 .
[D(1)]a =
0
0
0
3
Luego,
0 1 0 0
[D]ba = 0 0 2 0 .
0 0 0 3
Ademas, si p = x3 + 2x2 + x + 2, entonces D(p) = 3x2 + 4x + 1, y tambien

2

0 1 0 0
1
1
b
0 0 2 0 =
4 .
[D]a [p]a =
2
0 0 0 3
3
1

4.3. REPRESENTACION
133
Problema 4.3.8 Consideremos la funcion proyeccion

P : R3 R3
: (x, y, z) (x, y, 0)
Determine la matriz de coordenadas de P, [P ]a , en las bases a, a; donde

1
1
1
2
2 , v3 =
1 , v2 =
v1 =
a=
3
2
1
por el teorema anterior, la column j-esima de [P ]a es [P (vj )]a . As,
Solucion:

1
1
P (v1 ) = 1 = 1 v1 + 1 v2 1 v3 [P (v1 )]a = 1 ,
0
1

1
0
P (v2 ) = 2 = 0 v1 + 3 v2 2 v3 [P (v2 )]a = 3 ,
0
2

0
1
P (v3 ) = 2 = 0 v1 + 3 v2 2 v3 [P (v3 )]a = 3 .
2
0
de aqu que
1
0
0
3
3 .
[P ]a = 1
1 2 2
Esta matriz nos sirve para calcular [P (v)]a de cualquier vector v R3 siempre que conozcamos las coordenadas de v en la base a, pues, por el mismo teorema tenemos que [P (v)]a =
[P ]a [v]a . Por ejemplo, si

3
1
5
1
v=
= 1 v1 + 1 v2 + 1 v3 [v]a =
6
1
entonces
[P (v)]a = [P ]a [v]a
1
0
0
1
1
3
3 1 = 7
= 1
1 2 2
1
5
lo cual es cierto, pues
3
P (v) = 5 = 1 v1 + 7 v2 5 v3 .
0
134
Problema 4.3.9 Consideremos las bases

1
1
1
0 , v2 =
1 , v3 =
1
a =
v1 =
0
0
1
1
0
0
0
1 , w3 =
1
b =
w1 =
, w2 =
.
0
0
1
Y consideremos la funcion proyeccion P del problema anterior, y calcule [P ]ba .
Calculemos las coodenadas de P (vj ) en la base b:
Solucion:

1
1
0
0
P (v1 ) =
= 1 w1 + 0 w2 + 0 w3 [P (v1 )]b =
0
0

1
1
P (v2 ) = 1 = 1 w1 + 1 w2 + 0 w3 [P (v2 )]b = 1
0
0

1
1
P (v3 ) = 1 = 1 w1 + 1 w2 + 0 w3 [P (v3 )]b = 1
0
0
de aqu que
1 1 1
1
1 .
[P ]ba = 0
0
0
0
Problema 4.3.10 Sea

T : R3 R2
: (x, y, z) T (x, y, z) := (2x + 3y, x y z) .
0
Calcule [T ]cc , donde c, c0 son las bases canonicas de R3 , R2 respectivamente.

Calculemos las coordenadas de T (ej ) en la base canonica c0 de R2 :
Solucion:

2
2
0
0
,
T (e1 ) =
= 2 e1 + 1 e2 [T (e1 )]c0 =
1
1
3
3
0
0
,
T (e2 ) =
= 3 e1 1 e2 [T (e1 )]c0 =
1
1
0
0
0
0
T (e3 ) =
= 0 e1 1 e2 [T (e1 )]c0 =
.
1
1
De aqu que
c0
c
[T ] =
2 3
0
1 1 1

4.3. REPRESENTACION
135
Observacion
4.3.11 Del ejemplo anterior, podemos observar que las columnas de [T ]cc son
T (ej ) ; es decir
0
[T ]cc = (T (e1 ) | T (e2 ) | T (e3 )) .
En general se tiene que, si T : Kn Km es una trasformacion lineal, entonces la matriz de
0
coordenadas de T, [T ]cc , en las bases c, c0 esta dada por
0
[T ]cc = (T (e1 ) | | T (en )) .

0
Es decir, las columnas de [T ]cc son los vectores columna T (ej ). De aqu que, si A Mmn (K)
y la transformacion lineal asociada a la matriz A
TA : K n K m
: v TA (v) := Av,
0
entonces [TA ]cc = A; donde c, c0 son las bases canonicas de Rn , Rm respectivamente. Esto es
debido a que T (ej ) es la j-esima columna de la matriz A.
Teorema 4.3.12 Sean V1 , V2 , V3 tres K-espacios vectoriales con a, b y c bases para V1 , V2 y V3
respectivamente. Para T : V1 V2 , U : V2 V3 , transformaciones lineales, tenemos que
[U T ]ca = [U ]cb [T ]ba .
Demostracion:
Sea v V , entonces
[T (v)]b = [T ]ba [v]a ,
Ademas,
[(U T )(v)]c = [U ]cb [T (v)]b
= [U ]cb [T ]ba [v]a ,
luego,
[U T ]ca = [U ]cb [T ]ba .
Ejemplo 4.26 Consideremos las transformaciones lineales:

T : P3 (K) P2 (K)
: p(x) 7 p0 (x).
U : P2 (K) P3 (K)
Z x
: p(x) 7
p(t)dt.
0
136
Claramente se tiene que T U = IV . Ahora bien, con respecto a las bases, a = {1, x, x2 , x3 },
b = {1, x, x2 } bases para P3 (K), P2 (K) respectivamente, entonces tenemos que
0 1 0 0
[T ]ba = 0 0 2 0
0 0 0 3
0 0
0
1 0
0
[U ]ab =
0 1/2 0 ,
0 0 1/3
luego,
[T U ]ab = [T ]ba [U ]ab
0 1
0 0
=
0 0
1 0
= 0 1
0 0
0 0
0
0 0
1 0
0
2 0
0 1/2 0
0 3
0 0 1/3
0
0 .
1
Observacion
4.3.13 Sea T L(V, V ) y a una base para V . Entonces T es invertible si y
solo si [T ]a es invertible. Mas aun,
[T 1 ]a = [T ]1
a .
El siguiente lema nos da la forma de pasar de una base a otra.
Lema 4.3.14 (Matriz de cambio de base) Sean a, a0 bases de V y Q = [IV ]aa0 . Entonces, Q
es invertible y tenemos que para todo v V ,
[v]a = Q[v]a0 .
Q
(V, a0 ) (V, a)
A la matriz Q se le llama matriz de cambio de bases de a0 , a.
anterior que Q es invertible. Ahora
Demostracion:
Se sigue de la observacion
bien, v V,
[v]a = [IV (v)]a = [IV ]aa0 [v]a0 = Q[v]a0 .
Ejemplo 4.27 Consideremos al espacio vectorial P2 (R) y las bases
2
a = 1, x, x
y a0 = 1, 1 + x, 1 + x + x2 .

4.3. REPRESENTACION
137
Determine la matriz de cambio de base de a a a0 ; y determine las coordenadas de p (x) =

3 + 2x + 4x2 en la base a0 .
Observemos que
Solucion:
a =
v1 = 1, v2 = x, v3 = x2
0
a =
w1 = 1, w2 = (1 + x) , w3 = 1 + x + x2 .
0
As, la matriz pedida es P = [IV ]aa , es decir, las columna de P son las coordenadas de IV (vi )
en la base a0 . As que, manos a la obra!! :
IV (v1 ) = 1 = 1 (1) + 0 (1 + x) + 0 1 + x + x2 = 1 w1 + 0 w2 + 0 w3 ,
IV (v2 ) = x = 1 (1) + 1 (1 + x) + 0 1 + x + x2 = 1 w1 + 1 w2 + 0 w3 ,
IV (v3 ) = x2 = 0 (1) 1 (1 + x) + 1 1 + x + x2 = 0 w1 1 w2 + 1 w3 ,
p (x) = 3 + 2x + 4x2 = 3 v1 + 2 v2 + 4 v3 .
De aqu que

1
1
0
3
[IV (v1 )]a0 = 0 , [IV (v2 )]a0 = 1 , [IV (v3 )]a0 = 1 , [p]a = 2
0
0
1
4
es decir
1 1
0
P = [IV ]aa = 0 1
0 0
1
0
[p]a0 = [IV ]aa [p]a = 0
0
0
1 ,
1
1 0
3
1
1 1 2 = 2 .
0
1
4
4
Observemos que, efectivamente

p (x) = 1 w1 2 w2 + 4 w3
= 1 (1) 2 (1 + x) + 4 1 + x + x2
= 3 + 2x + 4x2 .
Teorema 4.3.15 Sea T : V W una transformacion lineal y a, a0 bases de V , b, b0 bases

de W . Entonces,
0
[T ]ba0 = P 1 [T ]ba Q,
donde Q = [IV ]aa0 , P = [IW ]bb0 son las matrices de cambio de bases. Una forma de recordar
este teorema es considerando el siguiente diagrama conmutativo:
0
(V, a )
Q
(V, a)
[T ]b
a0
[T ]b
a
(W, b0 )
P
(W, b)
138
Demostracion:
En efecto, para v V , tenemos, por el lema anterior, que
[T (v)]b = P [T (v)]b0
0
= P [T ]ba0 [v]a0 ,
Por otro lado,
[T (v)]b = [T ]ba [v]a
= [T ]ba Q[v]a0 ,
de aqu, tenemos que
P [T ]ba0 [v]a0 = [T ]ba Q[v]a0 ,

y como P es invertible el resultado se sigue ahora.
Ejemplo 4.28 Consideremos
T : R2 R2
: (x, y) 7 (y, 2x + 3y),
y las bases
c

1
1
a = w1 =
, w2 =
.
1
2
= {e1 , e2 } ,
Calcule [T ]c , la matriz de cambio de base P de a a c, y con esto calcule [T ]a .

Recordemos que las columnas de [T ]c son las coordenadas de T (ei ) en la base
Solucion:
c
c; P = [IR2 ]a , es decir, las columnas de P son las coordenadas de IR2 (ei ) en la base c.
[T ]a
a
(R2 , a)
(R2 , a)
P
P [T ]a = P 1 [T ]c P.
[T ]
c
(R2 , c)
(R2 , c)
T (e1 ) =
T (e2 ) =
IR2 (w1 ) =
IR2 (w2 ) =
0
0
T
=
= 0 e1 + (2) e2 [T (e1 )]c =
,
2
2

0
1
1
T
=
= 1 e1 + 3 e2 [T (e2 )]c =
,
1
3
3
0 1
[T ]c =
.
2 3

1
1
w1 =
= 1 e1 + 1 e2 [IR2 (w1 )]c =
,
1
1

1
1
w2 =
= 1 e1 + 2 e2 [IR2 (w2 )]c =
,
2
2
1 1
c
P = [IR2 ]a =
.
1 2
1
0

4.3. REPRESENTACION
139
Y as, dado que [T ]a = P 1 [T ]c P, es decir
1 1
1 2
[T ]a =
1 0
0 2
0 1
2 3
1 1
1 2
Lo cual es cierto, ya que
T (w1 ) = T
T (w2 ) = T
1
1
1
2
1
1
2
4
= 1 w1 + 0 w2 [T (w1 )]a =
= 0 w1 + 2 w2 [T (w2 )]a =
1
0
0
2
Ejemplo 4.29 Sean

T : R3 R2
: (x, y, z) 7 (2x + y, x + y z),
y a = {(1, 0, 0), (0, 1, 0), (0, 0, 1)}, a0 = {(2, 0, 0), (0, 1, 0), (0, 0, 2)} bases de R3 , b =
{(1, 0), (0, 1)}, 0 = {(1, 1), (1, 1)} bases de R2 . Entonces, por un calculo directo, se tiene
[T ]
b
a
b0
a0
[T ]
2 1 0
1 1 1
3 1 1
1 0 1
Tambien, tenemos que
2 0
0
Q = [IR3 ]aa0 = 0 1 0 ,
0 0 2
1 1
b
P = [1R2 ]b0 =
,
1 1
un calculo directo muestra que,
1
2
1
2
1
2
12
140
en consecuencia, otra forma de calcular [T ]ba0 es usar el teorema anterior

0
[T ]ba0 = P 1 [T ]ba Q
1 1
2
2
=
1
1
2
2
1 1
2
2
=
1
21
2
3 1 1
=
1 0 1
2 1 0
1 1 1
4 1 0
2 1 2
2 0
0
0 1 0
0 0 2
de donde se obtiene el mismo resultado.
Ejercicios 4.3
dada por T (x, y) = (3x + y, 2x y) ,
3.1 Si T : R2 R2 es la funcion
a) Muestre que T es un isomorfismo.
b) Calcule la inversa de T.
c) Encuentre la matriz asociada a T en la base canonica

de R2 .
d) Encuentre la matriz asociada a T 1 en la base canonica

de R2 .
3.2 Encuentre la matriz asociada a las trasformaciones lineales T : Rn Rm
siguientes, en las bases canonicas

correspondientes:
a) T : R4 R2 dada por T (x, y, z, w) := (x, y) .
b) T : R3 R2 dada por T (x, y, z) := (x, y) .
c) T : R4 R4 dada por T (x, y, z, w) := (x, y, 0, 0) .
d) T : R2 R2 dada por T (x, y) := 3 (x, y) .
e) T : R3 R3 dada por T (x, y, z) := (x, y, z) .
f ) T : Rn Rn dada por T (x) := x.
g) T : Rn Rn dada por T (x) := 5x
h) T : Rn Rn dada por T (x) := x, con fijo.
i) T : R2 R3 dada por T (x, y) := (ax + by, cx + dy, ex + f y) ; donde
a, . . . , f R son constantes fijas.
3.3 Sea T : P2 (R) M22 (R) dada por
0
p (0) 2p (1)
T (p (x)) :=
0
p00 (3)
donde p0 y p00 denotan la primera y segunda derivada de p. Verifique que es
lineal y calcule la matriz
ta funcionesta
bien definida, es una transformacion
asociada a T en las bases canonicas

de los espacios vectoriales dados.

4.3. REPRESENTACION
141
3.4 Sean T : P2 (R) P2 (R) y L : P2 (R) R3 las funciones dadas por

T (p (x)) : = (3 + x) p0 (x) + 2p (x)
L a + bx + cx2 : = (a + b, c, a c) .
Consideremos a = {1, x, x2 } la base canonica de P2 (R) y b = {e1 , e2 , e3 } la base
canonica
de R3 .
a) Demuestre que T y L son transformaciones lineales.
b) Calcule [T ]a y [L]ba .
c) Calcule L T : P2 (R) R3 .
d) Calcule [L T ]ba .
e) Compruebe que [L T ]ba = [L]ba [T ]a .
f ) Si p (x) = 3 2x + x2 , calcule [p]a , [L (p)]b y muestre que [L (p)]b = [L]ba [p]a .
3.5 Si V y W son K-espacios vectoriales con bases a y b respectivamente. Si T, L
b
b
L (V, W ) son tales que [T ]a = [L]a . es T = L?.
3.6 Considere L : M22 (R) P2 (R) definida por
a b
:= (a + b) + (2d) x + bx2
L
c d
y considere las bases canonicas

de M22 (R) y P2 (R) :
0 0
0 0
0 1
1 0
,
,
,
a =
0 1
1 0
0 0
0 0
2
b =
1, x, x
a) Calcule [L]ba .
transpuesta, i.e. T (A) := At ;
b) Si T : M22 (R) : M22 (R) es la funcion
a
calcule [T ]a .
c) Defina R : P2 (R) M22 (R) mediante
0
p (0) 2p (1)
R (p) :=
.
0
p00 (3)
Calcule [R]ab .
traza de una matriz, i.e.
d) Defina S : M22 (R) R la funcion
a b
S
:= a + d.
c d
1) Muestre que S es lineal.
142
de R.
2) Calcule [S]ca , donde c = {1} es la base canonica
e) Defina G : P2 (R) R mediante G (p) := p (2) . Muestre que G es lineal y
calcule [G]cb .
1 2
, calcule [A]a .
f ) Si A =
5 4
g) Si p (x) = 3 6x + x2 , calcule [p]b .
3.7 En el R-espacio vectorial R3 , consideremos la base canonica

c de R3 , y sea

1
1
1
0 , 1 , 1
a=
0
0
1
otra base de R3 .
a) Encuentre la matriz de cambio de base de c a a, es decir, [IR3 ]ac .
b) Encuentre la matriz de cambio de base de a a c, es decir, [IR3 ]ca .
c) Dado v = (3, 4, 5) R3 , calcule [v]a y [v]c .
d) Considere las funciones T, L : R3 R3 definidas por

x
xy+z
x
x+y+z
T y := 2x + y 3z , L y := y + z
z
zx
z
z
Calcule
T L
LT
i)
[T ]c
ii) [T ]a
a
iii) [T ]c
iv) [T ]ca
v)
[L]a
vi) [L]ca
vii) [T L]a
vii) [L T ]a
conjugacion,
es decir, c (x + iy) := x iy; x, y R, y
3.8 Si c : C C es la funcion
consideremos a C como un R-espacio vectorial con la base a = {1, i}.
a) Muestre que c es lineal.
b) Calcule [c]a .
c) Muestre que si se considera a C como un C-espacio vectorial, entonces c
no es lineal.
3.9 Si T : R2 R2 definida por T (x, y) = (x + y, 2x + 4y) . Calcule [T ]a , donde

1
1
a=
,
.
1
2
4.4. SISTEMAS DE ECUACIONES LINEALES Y TRANSFORMACIONES LINEALES
143
3.10 Si T : R2 R3 definida por T (x, y) = (x + 3y, 0, 2x 4y) . Considere las bases
canonicas
c, c0 de R2 y R3 respectivamente.
0
a) Calcule [T ]cc .
00
de los elementos de la
b) Calcule [T ]cc , donde c00 es la siguiente permutacion
0
base canonica
c,
00
c = {e3 , e2 , e1 } .
3.11 Si T : R3 R3 definida por T (x, y) = (x y, y x, x z) . Considere

1
1
0
1
1 .
0 , 1 , 1
, v=
a=
2
0
1
1
Calcule
a) [T ]a y [v]a .
b) [T (v)]a y verifique que [T (v)]a = [T ]a [v]a .
integracion,
es decir,
3.12 Sea I : P2 (R) P3 (R) la funcion
Z x
p (t) dt
I (p) :=
0
y considere las bases canonicas

c, c0 de P2 (R) y P3 (R) respectivamente, es decir,
c0
c = {1, x, x2 }, c0 = {1, x, x2 , x3 } . Calcule [I]c .
n, y IV L (V, V ) es la transforma3.13 Sea V un K-espacio vectorial de dimension
identidad en V . Demuestre que
cion
[IV ]a = Idnn ,
donde Idnn es la matriz identidad de n n.
4.4. Sistemas de ecuaciones lineales y transformaciones

lineales
Si tenemos un sistema de ecuaciones lineales homogeneo:
a11 x1 + a12 x2 + + a1n xn = 0
a21 x1 + a22 x2 + + a2n xn = 0

..
a x + a x + + a x = 0
m1 1
m2 2
mn n
(*)
144
con coeficientes aij en un campo K, y si consideramos la matriz de coeficientes
A=
a11
a21
..
.
a12
a22
..
.
...
a1n
a2n
..
.
am1 am2
amn
a la cual llamaremos la matriz asociada al sistema, y el vector :
x=
x1
x2
..
.
xn
el vector de incognitas. El sistema anterior se puede ascribir como
Ax = 0,
(1)
lineal
donde 0 es el vector (columna) cero de Kn . Si consideramos la transformacion
asociada a la matriz A,
TA : Kn Km
: x TA (x) := Ax.
lineal, el sistema de ecuaciones (1) se escribe
As, en terminos de esta transformacion
como
TA (x) = 0,
(2)
es decir, el conjunto de soluciones Sh del sistema homogeneo (1) es el nucleo

de la
lineal TA :
transformacion
Sh = N uc (TA ) Kn
de donde tenemos que el conjunto de soluciones del sistema homogeneo Sh es un
subespacio vectorial de Kn . Resolver el sistema homogeneo (1) es calcular el nucleo
N uc (TA ), y as, para determinarlo basta dar una base de este subespacio. Observese
que el espacio de soluciones del sistema homogeneo es no vaco, pues almenos esta la
trivial x = 0.
solucion
Que sucede si tenemos un sistema no homogeneo de ecuaciones lineales? Sea
a11 x1 + a12 x2 + + a1n xn = b1
a21 x1 + a22 x2 + + a2n xn = b2

..
a x + a x + + a x = b
m1 1
m2 2
mn n
m
(**)
145
un sistema de ecuaciones lineales con coeficientes aij y terminos independientes bi en

un campo K. Consideremos la matriz asociada al sistema formada por los coeficientes
aij :
a11 a12 a1n

a21 a22 a2n
A = ..
(***)
..
..
.
.
.
.
.
.
am1 am2 amn
lineal asociada a la matriz A, TA : Kn Km . En terminos de la
y la transformacion
lineal TA , el sistema de ecuaciones anterior se escribe como
transformacion
TA (x) = b
donde
x=
x1
x2
..
.
xn
Kn ,
(3)
b=
b1
b2
..
.
Km
bm
son el vector de incognitas

y el vector de terminos independientes en Km . As, el
si y solo
si existe x Kn tal que TA (x) = b, es decir, si y
sistema (3) tiene solucion
si b Im (TA ) .
solo
As, para resolver el sistema no homogeneo (3), ya que lo primero que tenemos
que saber es si tiene o no soluciones, entonces lo primero que debemos hacer es
determinar si el vector b pertenece o no a la imagen Im (TA ) , y para esto necesita del subespacio Im (TA ) , dando de preferencia una base de este
mos una descripcion
subespacio.
Dado que la imagen de TA esta generada por la imagen de una base del dominio,
tenemos que
a1n +
* a11
a21
a2n
Im (TA ) = hTA (e1 ) , . . . , TA (en )i = .. , . . . , .. ,

.
.
am1
amn
con {e1 , . . . , en } es la base canonica

de Kn , as que para determinar si b Im (TA ) ,
lineal de las columnas de A. Mas aun,
bastara determinar si b es una combinacion

n
del
dado que dim (K ) = dim (N uc (TA )) + dim (Im (TA )) se tiene que la dimension
nucleo es
dim (N uc (TA )) = n dim (Im (TA ))
= n r (TA ) .
si r (TA ) = n, y tiene
De aqu que el sistema homogeneo (1) tiene una unica
solucion
muchas soluciones (una infinidad si K = R) si r (TA ) < n, de hecho, tiene n r (TA )
146
soluciones linealmente independientes. Observemos ademas, que el rango r (TA ) de

lineal TA es el maximo numero
la transformacion
de columnas de la matriz A lineal
mente independientes y ademas, el numero
de columnas restantes, n r (TA ) , es la
del nucleo de TA , es decir, el sistema homogeneo tiene n r (TA ) soludimension
ciones linealmente independientes. Por otro lado, el rango r (TA ) de la transforma lineal TA es el numero
cion
de columna etiquetadas de la matriz escalonada reducida
es equivalente a decir que
por renglones de la matriz A, ya que hacer esta reduccion
lineal
las columnas etiquetadas forman una base para la imagen de la transformacion
el numero
TA . Mas aun,
de columnas no etiquetadas de la matriz escalonada reduci del nucleo
da es la dimension
de TA , es decir, el numero
de soluciones linealmente
independientes del sistema homogeneo (1).
En el caso en que el numero

de ecuaciones e incognitas
son iguales, i.e. m = n, y
por el Teorema 4.2.14 aplicado a TA se tiene como corolario lo siguiente:
Corolario 4.4.1 Si A es la matriz asociada al sistema de ecuaciones lineales, entonces son
equivalentes
1. A es invertible.
2. El sistema homogeneo tiene solo la solucion no trivial.
3. El sistema (3) tiene una solucion para cada b Km .
Escribamos todo esto en el teorema siguiente:
Teorema 4.4.2 Si A Mmn (K) , x Mn1 (K) = Kn el vector incognita y b Mm1 (K) =
Km el vector independiente, entonces
1. Ax = b tiene solucion si y solo si b Im (TA ) .
2. Ax = 0 si y solo si x N uc (TA ) .
3. Im (TA ) esta generada por las columnas de la matriz A. De aqu que el rango r (TA )
de TA es el maximo numero
de columnas de la matriz A linealmente independientes.

Corolario 4.4.3 El sistema Ax = b tiene solucion, si y solo si
dimK (hv1 , v2 , . . . , vn i) = dimK v1 , v2 , . . . , vn , b ,

donde {v1 , v2 , . . . , vn } son las columnas de la matriz A.
Si consideramos el sistema de ecuaciones lineales (), entonces la matriz A de
( ) es la matriz asociada al sistema (), y si consideramos los terminos independientes, tenemos la matriz
a11 a12 a1n b1

a21 a22 a2n b2
..
..
..
..
..
.
.
.
.
.
am1 am2 amn bm
147
a la cual se le llama matriz aumentada del sistema (), y se le denota por A | b .

Observese que en este sentido, el corolario anterior se lee como:
dim (Im (TA )) = dim Im T(A|b) .

Ax = b tiene solucion
El siguiente resultado reduce el problema de hallar todas las soluciones del sistema
Ax = b al problema de hallar una solucion particular del sistema mas todas las soluciones del sistema homogeneo asociado Ax = 0.
Proposicion
4.4.4 Si S es el conjunto de soluciones de Ax = b, y v0 S es cualquier
solucion particular, entonces
S = v0 + N uc (TA ) := {v0 + w : w N uc (TA )} .
Demostracion:
Observemos que S 6= ya que v0 S.
() : Si v S, entonces Av = b, y como v0 S se tiene ademas que Av0 = b, es decir
0 = Av Av0 = A (v v0 ) ; de aqu que v v0 N uc (TA ), i.e. v = v0 + w, para algun

w N uc (TA ) ; por lo tanto S v0 + N uc (TA ) .
w N uc (TA ) , y as,
() : Si v v0 + N uc (TA ) , entonces v = v0 + w, para algun
Av = A (v0 + w) = Av0 + Aw = TA (v0 ) + Aw = 0 + b = b,
es decir, v S.
Definicion
4.4.5 En vista de (3) en el teorema anterior, se define el rango de una matriz
A Mmn (K) , como el rango de la transformacion lineal TA , es decir
rango (A) := dim (Im (TA )) =: r (TA ) .
Tambien, en vista de (2), se define la nulidad de una matriz A como la dimension del nucleo
de la transformacion lineal TA , es decir
nulidad (A) := dim (N uc (TA )) =: n (TA ) .
Lema 4.4.6 Si A Mmn (K) es de rango r, entonces 0 r mn {n.m} .
Dado que el rango de A es el maximo numero
Demostracion:
de columnas de A se tiene
que r n. Por otro lado, dado que r = dim (Im (TA )) entonces r m.
Recordemos que esto ya lo sabamos, pues r es el numero

de columnas etiquetadas (o renglones no nulos) de la matriz escalonada reducida por renglones.
Proposicion
4.4.7 Si L : V W es una transformacion lineal entre espacios vectoriales
de dimension finita, entonces
r (L) = rango [L]ba ,

para cualesquier par de bases a, b de V y W respectivamente.
148
Demostracion:
Por el Teorema 4.3.15 tenemos que el rango de [L]ba no depende de
las bases que se tomen, ya que si a0 , b0 son bases de V y W respectivamente, entonces
0
0
0 1
[L]ba0 = Q [L]ba R, donde Q = [IW ]bb y R = [IV ]aa0 = [IV ]aa
(Q y R invertibles), es
decir,
0
rango [L]ba0
= rango Q [L]ba R := dim Im T(Q[L]b R)
a
= dim Im TQ T[L]ba TR
b
= dim Im TQ T[L]a TR (V )
= dim Im TQ T[L]ba (TR (V ))
= dim Im TQ T[L]ba (V )
, pues TR es un isomorfismo
= dim Im T[L]ba (V ) , pues TQ es un isomorfismo
= dim Im T[L]ba
=: rango [L]ba .
finita, digamos n y m respectivaPor otro lado, dado que V y W son de dimension
mente, entonces el siguiente diagrama es conmutativo
L
V
W
a b
Kn
[L]b
Km
donde
a :
:
b :
:
V Kn
v a (v) := [v]a
W Kn
w b (w) := [w]b
[L]ba a , y por un argumento similar al anterior, se

son isomorfismos. As, L = 1
b
tiene que
r (L) = rango [L]ba .

nos permite calcular la dimension
de la imagen de una transforEsta proposicion
lineal definida en un espacio de dimension
finita, con solo calcular el rango
macion
de una matriz (ojo, el codominio lo podemos reemplazar por la imagen de la trans lineal si el codominio de esta trasformacion
no es de dimension
finita).
formacion
de esta proposicion
se obtiene el siguiente resultado.
De la demostracion
Corolario 4.4.8 Si Q Mmm (K) , P Mnn (K) y A Mmn (K) , entonces,
149
1. rango (AP ) = rango (A) , si P es invertible.

2. rango (QA) = rango (A) , si Q es invertible.
3. rango (QAP ) = rango (A) , si Q y P son invertibles.
Corolario 4.4.9 Las operaciones elementales, en renglones o columnas, preservan el rango
de una matriz.
Demostracion:
Esto es debido a que las operaciones elementales aplicadas a una
matriz equivalen a multiplicar la matriz por matrices elementales las cuales son invertibles.
Corolario 4.4.10 Sea A Mmn (K) con rango r, entonces 0 r mn {n, m} y existe
un numero
finito de operaciones elementales en renglones y columnas de A, tales que
Irr
0r(nr)
A
0(mr)r 0(mr)(nr)
donde las matrices 0pq son las matrices cero.
Corolario 4.4.11 Si A Mmn (K) con rango r, entonces existen matrices invertibles Q
Mmm (K) y P Mnn (K) tales que
Irr
0r(nr)
A QAP =
0(mr)r 0(mr)(nr)
donde la matriz Q representa las operaciones elementales por renglon y P la de las columnas.
Corolario 4.4.12 Si A Mmn (K) , entonces
1. rango (A) = rango (At ) , ya que (QAP )t = P t At Qt .
2. rango (A) =# maximo de columnas de A linealmente independientes = # maximo de
renglones de A linealmente independientes.
3. Los subespacios generados por los renglones o columnas de A son isomorfos.
4. A es invertible si es producto de matrices elementales.
Ejercicios 4.4
4.1 Sean A Mmn (K) , B Mnk (K) . Demuestre que
Corolario 4.4.13
1.
a) rango (AB) rango (A) .
b) rango (AB) rango (B) .

c) Si rango (A) = m y rango (B) = n = rango (AB) = m.
150
d) Si rango (A) = n = existe C Mnm (K) tal que AC = Imm .

e) Si rango (A) = m = existe C Mnm (K) tal que CA = Inn .
4.2 Sean A Mmn (K) . Demuestre que, rango (A) = 0 A = 0mn .
4.3 Sean A Mmn (K) y K diferente del cero. Demuestre que rango (A) =
rango (A) .
4.4 Calcule el rango y nulidad de las matrices siguientes:

2 4 6
3
2 5
0 1 4 1 1 4

3 4 0 , 3 3 10
4 2 15
3
1 9

1 2 7
1 2 3
7 2 1 2
4
6

1 0 1 , 1
2
3
0 2 0
3
4
9
4.5 Calcule el rango y nulidad de las siguientes matrices

invertibles o no:

2 2
3
2 5
0 1 4 , 2 3
1 0
3 4 0

5 6 1 1
2 2
1 1 4 2 2 4

6 5 5 1 , 1 2
2 4 5 6
3 4
2
2
0
2
4
8
.
4
12
cuadradas, y determine si son
3
1
1
1 1
2
1
2
1
1 1
4.6 Calcule una base para la imagen de las transformaciones lineales asociadas a las matrices de los dos ejercicios anteriores.
4.5. Espacios duales

concierne al estudio de transformaciones lineales de un espacio vecEsta seccion
torial V en su campo de escalares K el cual, como ya sabemos, es un espacio vectorial
1 sobre K.
de dimension
Definicion
4.5.1 Sea V un K-espacio vectorial. El espacio dual de V , el cual denotamos
por V , es el espacio vectorial L(V, K). Llamamos funcionales lineales a los elementos del
conjunto L(V, K), y usaremos las letras f, g, h, ... para denotar a las funcionales lineales.
4.5. ESPACIOS DUALES
151
Ejemplo 4.30 Sea V = C ([0, 2] , R) y fijemos una funcion g V. La funcion

h : V R
1
: v h (v) :=
2
g (t) v (t) dt
0
es un funcional lineal en V. En el caso de que g (t) sea cos (nt) o sen(nt) , h (v) llamado el
n-esimo coeficiente de Fourier de v.
Ejemplo 4.31 Sea V = Mnn (R) , y f : V R definida por f (A) = T r (A) , la traza
de A, por el ejemplo 4.9 es un funcional lineal.
Ejemplo 4.32 Sea V un K-espacio vectorial de dimension finita n, y a = {v1 , . . . , vn } una
base para V, entonces a : V Kn definida por a (v) := [v]a la transformacion lineal que
a cada vector v le asocia sus coordenadas en la base a. Entonces las funciones
fi : V K
: v
7 f (v) := i a (v) ,
son funcionales lineales (pues son composicion de transformaciones lineales); donde i :
Kn K es la funcion proyeccion en la i-esima coordenada. Observese que fi (v) = ai ,
donde
a1
[v]a = ... .
an
Esta funcion es llamada la i-esima coordenada de v en la base a.
Observe que las funcionales lineales de este ultimo

ejemplo estan determinadas
por sus valores en la base a y de hecho, sabemos cuanto valen en dicha base, pues
fi (vj ) = ij , donde ij es la delta de Kronecker. Estas funciones juegan un papel
finita. De hecho,
importante en la teora de espacios duales de espacios de dimension
estas funciones forman una base para el dual (vease el Teorema 4.2.9), ya que como
vimos,
dim (V ) = dim (L(V, K)) = dim (V ) dim (K) = dim (V ) ,
donde una base para L (V, K) con respecto a las bases a = {v1 , . . . , vn } y b = {1K }, por
el Teorema 4.2.9, esta dada por c = {E1,q : q = 1, . . . , n}, donde los E1,q : V K
estan definidas por
E1,q (vi ) = i,q 1K = i,q , para cada i {1, . . . , n},
4.2.4 estas funciones son las
donde ij es la delta de Kronecker, y por la proposicion
funciones del ejecicio anterior, es decir, una base para L(V, K) es
c
= {fi : i = 1, . . . , n}
152
donde las funciones fi son las del ejemplo anterior, siempre que V sea de dimension
finita. De hecho, el Teorema 4.2.9 nos dice como poner a un elemento de L(V, K)
de la base c conociendo su matriz de coodenadas, es decir,
como una combinacion
P
P
U = nq=1 1q E1,q , para cada U L(V, K), y

U = nq=1 U (vq ) E1,q
0
0
=
.
U (vj ) = 1j 1K = 1j , [U ]ca , c0 base canonica

de K
[U ]ca = (U (v1 ) , . . . , U (vn )) .
Esto lo enunciamos en el siguiente Teorema.
Teorema 4.5.2 Sea V un K-espacio vectorial de dimension finita, y a = {v1 , . . . , vn } una
base ordenada para V, entonces c = {fi : i = 1, . . . , n} es una base ordenada para el espacio
dual V , la cual es llamada base dual de a. Ademas, para cada T L(V, K) se tiene
T =
n
X
T (vi ) fi ,
[T ]ca = (T (v1 ) , . . . , T (vn )) .
i=1
Ejemplo 4.33 Sea
2
1

3
,
1
una base ordenada para R2 . Calcule la base dual de a.

Solucion:
Para esto, necesitamos determinar las funcionales lineales fi : R2 R
determinadas por:
fi (vj ) = ij .
0
Para esto, basta encontrar las matrices asociadas, [fi ]cc M1n (R), a estas funcionales
lineales en las bases canonicas

de R2 y R. Es decir, basta calcular
fi (e1 ) ,
fi (e2 ) ,
i = 1, 2,
0
pues estos vectores forman las columnas de [fi ]cc . Para esto, tenemos por definicion
y linealidad de f1 :

2
1 = f1
= f1 (2e1 + e2 ) = 2f1 (e1 ) + f1 (e2 ) ,
1

3
0 = f1
= f1 (3e1 + e2 ) = 3f1 (e1 ) + f1 (e2 )
1
y resolviendo este sistema de ecuaciones lineales se tiene que
f1 (e1 ) = 1,
0
f1 (e2 ) = 3,
es decir, [f1 ]cc = (1, 3) . De aqu que la funcional lineal f1 esta dada por

x
x
f1
= (1, 3)
= x + 3y.
y
y
153
De igual manera, determinemos f2 :

2
0 = f2
= f1 (2e1 + e2 ) = 2f1 (e1 ) + f1 (e2 ) ,
1

3
1 = f2
= f1 (3e1 + e2 ) = 3f1 (e1 ) + f1 (e2 ) ;
1
para obtener
f2 (e1 ) = 1,
f2 (e2 ) = 2,
c0
es decir, [f2 ]c = (1, 2) . De aqu que la funcional lineal f2 esta dada por

x
x
= (1, 2)
= x 2y.
f2
y
y
0
Como podemos observar, para calcular [f1 ]cc , [f2 ]cc lo podemos hacer resolviendo
el sistema de ecuaciones
0
f1 (e1 ) f1 (e2 )
2 3
1 0
[f1 ]cc
=
= (v1 | v2 )1 ,
0
f2 (e1 ) f2 (e2 )
1 1
0 1
[f2 ]cc
es decir, la matriz
[f1 ]cc
0
[f2 ]cc
f1 (e1 ) f1 (e2 )
f2 (e1 ) f2 (e2 )
es la inversa de la matriz cuyas columnas son los vectores de la base a,
2 3
;
(v1 | v2 ) =
1 1
donde
2 3
1 3
=
.
1 1
1 2
Es decir, los renglones de la matriz inversa de la matriz cuyas columnas son los vec0
0
tores de la base a, son las matrices [f1 ]cc , [f2 ]cc . As, este ejercicio nos suguiere el siguiente resultado para obtener la base dual de una base del espacio vectorial Kn .
Teorema 4.5.3 Si a = {v1 , . . . , vn } es una base (ordenada) para Kn , y Q Mnn es la
matriz cuyas columnas son los vectores de la base a,
Q = (v1 | | vn )
0
entonces la base dual de a, a0 = {f1 , . . . , fn } esta determinada por las coordenadas, [fi ]cc , de
fi con respecto a las bases canonicas c, c0 de Kn y K, las cuales son los renglones de la inversa
de la matriz Q, es decir
0
[f1 ]cc
.
1
.. = Q .
0
[fn ]cc
0
Recuerde que [fi ]cc M1n (K) se puede ver como un vector renglon.
154
Demostracion:
Procediendo de manera similar que en el ejercicio anterior, con0
y los vectores vi como vectores
siderando a las matrices [fi ]cc como vectores renglon
columnas; tenemos los siguientes sistemas de ecuaciones
0
[f1 ]cc v1 = 1
[f2 ]cc v1 = 0
[fn ]cc v1 = 0
0
0
0
[f1 ]cc v2 = 0
[f2 ]cc v2 = 1
[fn ]cc v2 = 0
,
,...,
;
..
..
..
.
.
.
0
0
0
[f1 ]cc vn = 0
[f2 ]cc vn = 0
[fn ]cc vn = 1
es decir,
[f1 ]cc
0
[f2 ]cc
..
.
0
[fn ]cc
es decir,
(v1 | | vn ) =
[f1 ]cc
0
[f2 ]cc
..
.
0
[fn ]cc
1
0
..
.
0
1
.. . .
.
.
0 0
0
0
..
.
= Idnn
= (v1 | | vn )1 = Q1 .
Este teorema pudo haberse obtenido usando el siguiente diagrama conmutativo

fi
Kn K
c
c0 ,
Kn
[fi ]cc
c (v) = [v]c ,
c0 (w) = [w]c0 = w.
De aqu que
0
[fi ]cc [vj ]c = ij
es decir, dado que [vj ]c = vj (pues c es la base canonica

de Kn )
0
[fi ]cc vj = ij
lo cual, en forma matricial, se tiene
[f1 ]cc
0
[f2 ]cc
(v1 | | vn ) =
..
.
c0
[fn ]c
1
0
..
.
0
1
.. . .
.
.
0 0
0
0
..
.
1
155
Ejemplo 4.34 Calcule la base dual de

1
0
1
2 , 1 , 1
c=
3
1
0
en R3 .
Solucion:
Por el teorema anterior, basta calcular la inversa de la matriz
1 1 0
Q = 2 1 1 .
3 1 0
donde se tiene que su inversa es la matriz
1
2 0 12
3 0 1 .
2
2
12 1 12
De aqu que la base dual esta dada por las siguientes funcionales lineales
1
1
f1 (x, y, z) = x + z,
2
2
3
1
f2 (x, y, z) =
x z,
2
2
1
1
f3 (x, y, z) = x + y z;
2
2
las cuales efectivamente satisfacen las propiedades de ser una base dual para c.
Una vez que sabemos como calcular la base dual de una base en Kn , podemos
finita:
calcular la base dual de cualquier espacio vectorial de dimension
Lema 4.5.4 Sean a, b = {v1 , . . . , vn } bases (ordenadas) para V, se tiene que a (b) es una
base para Kn (pues (v) = [v]a es un isomorfismo). Si {f1 , . . . , fn } es la base dual de a (b)
en Kn , entonces {f1 a , . . . , fn a } es la base dual de b.
fi b
(V, b)
K
a
c0 = IK
Kn
Demostracion:
Sea
fi
= {v1 , . . . , vn }, entonces, basta mostrar que (fi a ) (vj ) =
ij .
(fi a ) (vj ) = fi (a (vj ))
= ij ,
donde la ultima
igualdad es debido a que {f1 , . . . , fn } es la base dual de a (b) =
{a (v1 ) , . . . , a (vn )} en Kn .
156
Ejemplo 4.35 Encuentre la base dual de b = {1 + x2 , 1 2x, 1 + x} en P2 (R) .

Solucion:
Por el lema anterior, basta encontrar la base dual de
a {1 + x2 , 1 2x, 1 + x}
para alguna base adecuada a de P2 (R) , de preferencia que sea facil calcular
a ({1 + x2 , 1 2x, 1 + x}) , de aqu que nos conviene tomar a a como la base canonica
2
de P2 (R) , pues si a = {1, x, x } entonces

1
1
1
0 , 2 , 1 .
a {1 + x , 1 2x, 1 + x} =
0
0
1
Y para calcular su base dual, hay que calcular la inversa de la matriz
1 1 1
0 2 1
1 0 0
donde se obtiene la inversa
0
1
3
2
3
0
1
13 31
1
23
3
Es decir, la base dual de a ({1 + x2 , 1 2x, 1 + x}) es {f1 , f2 , f3 } , donde

f1 (x, y, z) = z,
xyz
,
f2 (x, y, z) =
3
2x + y 2z
f3 (x, y, z) =
;
3
es decir, la base dual de b = {1 + x2 , 1 2x, 1 + x} es {f1 a , f2 a , f3 a } , donde

= f1 b = c,
f1 a a + bx + cx2
c

a

abc
2
b =
= f2
f2 a a + bx + cx
,
3
c

a

2a + b 2c
2
b =
= f3
f3 a a + bx + cx
,
3
c
157
Por ejemplo
101
(f2 a ) 1 + x2 =
= 0,
3
1 (2) 0
(f2 a ) (1 2x) =
= 1,
3
110
(f2 a ) (1 + x) =
= 0.
3
Es decir, f2 a satisface ser parte de la base dual, de manera similar se puede hacer
con los demas elementos de la base dual.
Teorema 4.5.5 Sean V y W dos K-espacios vectoriales de dimension n y m respectivamente,
y T : V W una transformacion lineal. Entonces la funcion
FT : W V
: f FT (f ) : V K
:
: v FT (f ) (v) := f (T (v))
lines una transformacion lineal, la cual es llamada la transpuesta de la transformacion
eal T. Ademas tiene la propiedad
[FT ]ab = [T ]ba ,

donde a,b son bases de V y W ; y a ,b son bases de V y W respectivamente, y At es la
transpuesta de la matriz A; de aqu el nombre de FT .
FT esta bien definida, ya que, para cada f W
Demostracion:
La funcion
de transformaciones lineales.
se tiene que FT (f ) V , pues esta es composicion
Veamos que FT es lineal: sean f, g W , y K, entonces
FT (g + h) (v)
: = (g + h) (T (v))
= g (T (v)) + (h) (T (v))
= (FT (g) + FT (h)) (v) ,
v V
es decir
FT (g + h) = FT (g) + FT (h) .
consideremos a = {v1 , . . . , vn } y b = {w1 , . . . , wm }
Para completar la demostracion,
0
con bases duales a = {f1 , . . . , fn } y b0 = {g1 , . . . , gm } respectivamente. Por el Teorema
158
4.5.2 tenemos
FT (gj )
= gj T =
n
X
i=1
(gj T ) (vi ) = gj (T (vi )) = gj
(gj T ) (vi ) fi ,
m
X
!
ki wk
, donde [T ]ba = [ij ] por definicion.
k=1
m
X
ki gj (wk ) =
k=1
m
X
ki jk
k=1
= ji ,
FT (gj ) =
n
X
ji fi
i=1
es decir,
j1
[FT (gj )]a0 = ... ,

jn
y dado que las columnas de la matriz [FT ]ab son [FT (gj )]a0 , tenemos que
11 m1
.. = [T ]b t .
..
[FT ]ab = ...
.
.
a
jn mn
Ejemplo 4.36 Definamos

T : P1 (R) R2
: a + bx T (a + bx) :=
a
a + 2b
Sean a,b las bases canonicas de P1 (R) y R2 respectivamente. Calcule [FT ]ab .
Solucion:
Para esto, por el Teorema anterior, basta calcular [T ]ba , y dado que las
columnas de [T ]ba son [T (ei )]b , tenemos

1
1
0
0
,
T (e1 ) : = T (1) =
= 1 e1 + 1 e2 = [T (e1 )]b =
1
1

0
0
0
0
T (e2 ) : = T (x) =
= 0 e1 + 2 e2 = [T (e2 )]b =
;
2
2
y por el Teorema anterior se tiene [FT ]ab = [T ]ba , es decir,
1 0
1 1
b
a
[T ]a =
, [FT ]b =
.
1 2
0 2
159
Si no usamos el Teorema anterior se llega a lo mismo, ya que si

{g1 , g2 } son las bases duales de a y b respectivamente, entonces
= {f1 , f2 }, b =
[FT ]ab = ([FT (g1 )]a | [FT (g2 )]a ) ,

y as, si
a
b
[FT ]
a b
c d
se tiene que
FT (g1 ) = af1 + bf2 = (g1 T ) (1) = FT (g1 ) (1) = af1 (1) + bf2 (1) = a,
: pero (g1 T ) (1) = g1 (T (1)) = g1 (1) = 1, a = 1.
De manera similar se calculan b, c y d.
El siguiente resultado nos dice que existe un isomorfismo natural entre los espacios V y (V ) := V independientemente de una base para V o V siempre
finita. Primero demos una funcion
natural estre estos
que estos sean de dimension
finita) y despues probemos que es un
espacios (no importa si V es de dimension
finita:
isomorfismo si V es de dimension
R : V V
: v R (v) : V K
:
: f R (v) (f ) := f (v) .
el lineal. As, para probar que esta funcion
es un isomorEs claro que esta funcion
finita, y esto lo tenfismo bastara ver cuando que es inyectiva si V es de dimension
dremos si probamos que el nucleo

de R es el vector nulo {0V } .
Teorema 4.5.6 Sea V un espacio vectorial de dimension finita, entonces R es un isomorfismo.
Demostracion:
Dado que dim (V ) = dim (V ) = dim (V ) , basta probar que R
es inyectiva, es decir, probar que N uc (R) = {0V } . Para esto, tomemos un v 6= 0V , y
demostremos que R (v) 6= 0V . Para esto, mostremos que existe un f V tal que
R (v) (f ) 6= 0K .
Tomemos una base ordenada a = {v, v2 , . . . , vn } de V (esto lo podemos hacer, pues
v 6= 0V ), y consideremos la base dual a0 = {f1 , . . . , fn } de a. Entonces, por definicion

de base dual tenemos que f1 (v) = 1 6= 0K , es decir,
R (v) (f1 ) := f1 (v) 6= 0K .
Corolario 4.5.7 Sea V un espacio vectorial de dimension finita con espacio dual V . Entonces cualquier base ordenada de V es la base dual de una base de V.
160
Demostracion:
nSea a0 = {f1o, . . . , fn } una base para V , y por el Teorema 4.5.2 se
tiene una base a00 = fb1 , . . . , fbn para V , y por el Teorema anterior se tiene una base
a
= {v1 , v2 , . . . , vn } de V, la cual satisface

R (vi ) = fbi ,
y dado que a00 es una base dual de V , se tiene

R (vi ) (fj ) = fbi (fj ) = ij ,
y por otro lado, sabemos que R (vi ) (fj ) := fj (vi ) ; es decir
fj (vi ) = ij ,
es decir, la base a0 = {f1 , . . . , fn } es la base dual de la base a = {v1 , v2 , . . . , vn } .
Ejercicios 4.5
5.1 Para cada uno de los espacios V y bases a dadas, calcule su base dual.
a) V = R3 , a = {(1, 0, 0) , (1, 2, 1) , (0, 0, 1)} .
b) V = P2 (R) , a = {1, x, x2 } .
5.2 Sea V = R3 , y definamos {f1 , f2 , f3 } V como sigue:
f1 (x, y, z) = x 2y,
f1 (x, y, z) = x + y + z,
f3 (x, y, z) = y 3z.
Pruebe que {f1 , f2 , f3 } es una base para V , y encuentre una base para V para
el cual, su base dual es {f1 , f2 , f3 } .
5.3 Sea V = P1 (R) , y definamos
f1 , f 2 : V R
Z 1
f1 (v) : =
p (t) dt,
0
Z 2
f2 (p) : =
p (t) dt.
0
Pruebe que {f1 , f2 } es una base para P1 (R) y calcule la base de V para el cual
su base dual sea {f1 , f2 } .
5.4 Defina f (R2 ) por f (x, y) = 2x + y y T : R2 R2 por T (x, y) = (3x + 2y, x) .

lineal T.
a) Calcule F (T ) (f ) , donde es la traspuesta de la transformacion
161
de R2 y
b) Calcule [FT ]c0 , donde c es la base canonica
dual, calculando escalares a, b, c y d tales que
FT (f1 ) = af1 + bf2 ,
c0
= {f1 , f2 } su base
FT (f2 ) = cf1 + df2 .
c) Calcule [T ]c y ([T ]c )t , y compare sus resultados de (b).

5.5 Muestre que cualquier plano en R3 que pasa por el origen se puede identificar
con el nucleo de un vector en (R3 ) . Establezca un resultado analogo en R2 .

5.6 Sea V = Pn (K) , y sean c1 , . . . , cn escalares distintos en K.
a) Para 0 i n, defina fi V () por fi (p) = p (ci ) . Pruebe que {f1 , . . . , fn }
es una para V .
b) Use el corolario 4.5.7 y el inciso anterior para mostrar que existen poli
nomios unicos
p0 , p1 , . . . , pn tales que pi (cj ) = ij para 0 i, j n. Estos
polinomios son los polinomios de Lagrange.
c) Para cualesquiera ecalares a1 , . . . , an (no necesariamente distintos), deduz
ca que existe un unico
polinomio q (x) de grado a lo mas n, tal que q (ci ) =
ai para 0 i n. De hecho, pruebe que
q (x) =
n
X
ai pi (x) .
i=0
de Lagrange:
d) Deduzca la formula
de interpolacion
p (x) =
n
X
p (ci ) pi (x)
i=0
para cada p V.
e) Pruebe que
p (t) dt =
a
n
X
p (ci ) di ,
i=0
donde
di =
pi (t) dt.
a

Algebra Lineal I Transformaciones Lineales

Caricato da

Informazioni sul documento

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

Algebra Lineal I Transformaciones Lineales

Caricato da

Copyright:

Formati disponibili

Algebra

ABIENDO COMENZADO EL ESTUDIO DE LOS ESPACIOS VECTORIALES ,

4.1. Transformaciones lineales

as se verifica el axioma 1. Analogamente se tiene que R2 (v) = R2 (v).

analogamente, se prueba que T (v) = T (v).

4.1. TRANSFORMACIONES LINEALES

es una transformacion lineal. En efecto, sean v = (x1 , y1 ), w = (x2 , y2 ) R2 , entonces

Ejemplo 4.5 La funcion :

es una transformacion lineal. De hecho, si A Mmn (K) y definimos la funcion

i.e. D es efectivamente una funcion. De igual manara, la funcion

i.e. I es una funcion.

4.1. TRANSFORMACIONES LINEALES

vemos que efectivamente es una transformacion lineal, pues este es un caso

el cual, efectivamente es una transformacion lineal. Por ejemplo, si = 0 se tiene la reflexion

Si = 90 entonces se tiene la reflexion con respecto al eje vertical

la cual es claramente una transformacion lineal.

4.1. TRANSFORMACIONES LINEALES

T (0K 0V ), por prop. de los espacios vectoriales

(3): Dado que T es aditiva y saca escalares, tenemos

= T (L (u + v)) , por definicion

: (T L) (u) + (T L) (v) , por definicion

= T (L (u)) , por definicion

(T L) (u) , por definicion

4.1. TRANSFORMACIONES LINEALES

Ejemplo 4.11 Si V es cualquier K-espacio vectorial, entonces la funcion identidad es un

Ejemplo 4.13 La funcion

dim (Pn (K)) = n + 1 = dim Kn+1 ,

respuesta es afirmativa y nos la da la siguiente proposicion.

4.1. TRANSFORMACIONES LINEALES

Corolario 4.1.8 Sea T : V W un isomorfismo entre espacios vectoriales de dimension

1.6 Sea V un K-espacio vectorial, y K un escalar diferente de cero, y definamos

1.7 Sean V, W dos K-espacios vectoriales y definamos las funciones inclusion

Demuestre que ambas funciones son lineales e inyectivas.

1.8 Sean V, W dos K-espacios vectoriales y definamos las funciones proyeccion

Demuestre que ambas funciones son lineales y suprayectivas.

1.15 Sea B Mnn (K) fija. Demuestre que la funcion

4.2. Nucleo e imagen de una transformacion

Al conjunto N uc (T ) se le llama nucleo

Ejemplo 4.14 Si V = C 1 (R) es el R-espacio vectorial de las funciones diferenciables de R

de D es el subespacio de las funciones constantes en R.

de T es el subespacio de soluciones del sistema de ecuaciones homogeneo:

de suprayectividad, T : V W es suprayeciva si y solo

As, extendemos a T como:

(ii) : Unicidad: Ahora probaremos que T es unica.

transformacion lineal T : R2 R3 tal que

Sea v R2 , entonces v = (1, 0) + (0, 1) para algunos , R. Luego

T ((1, 0) + (0, 1))

Es decir, la transformacion lineal pedida esta dada por

es decir, se cumple (4.1).

y dado que T (b) es linealmente independiente por hipotesis,

espacio vectorial aun

(Aditividad): Sean u, v V , entonces

(Saca escalares): Sean v V y K, entonces

Para probar la segunda parte, consideremos a = {v1 , ..., vm } V y b = {w1 , ..., wn }

4.2.4 se extiende a una unica

lineal Ep,q L(V, W ).

Ahora bien, definamos

pj wp = 0, para cada j {1, . . . , m}

: L(V, W ) Mnm (K)

hablaremos de manera mas precisa en la siguiente seccion.

2. (g1 + g2 ) f = g1 f + g2 f L(V, Z),

da que (L(V, V ), +, ) es un anillo con unidad, el elemento unidad 1V es la transformacion

Corolario 4.2.16 Si V es un K-espacio vectorial de dimension n, entonces V

as T es suprayectiva. Luego T es un isomorfismo. O bien, por Teorema 4.2.14 y dado que