Tema 1 - Teoria

Algebra Lineal
Tema 1
Espacios Vectoriales. Aplicaciones lineales
Grado en Ingeniera en Tecnologa Industriales
Dpto. Matematica Aplicada 1
Conocimientos previos (I)
Un grupo es una pareja (G,*) donde G es un conjunto en el que
esta denida una operacion interna * que verica:
1. Asociativa: (a*b)*c=a*(b*c)
2. Existencia elemento neutro: a*e=e*a=a
3. Todo elemento posee simetrico: a*a=a*a=e
Si ademas es conmutativa, el grupo se denominara abeliano.
Conocimientos previos (y II)
Un cuerpo es un conjunto K dotado de dos operaciones internas
+ y denotado por (K,+,) llamadas suma y producto, tal
que:
1. (K,+) es un grupo abeliano
2. El producto es asociativo y conmutativo
3. Existe un elemento neutro para la multiplicacion denotado por
1
4. Todo elemento distinto del neutro para la suma posee inverso
(respecto del producto). Si no posee esta propiedad, se dice
que es un anillo conmutativo.
5. El producto es distributivo respecto a la suma:
a (b +c) = a b +a c (a +b) c = a c +b c
Tema 1. Espacios vectoriales y
Aplicaciones lineales
1.1 Matrices y sistemas de ecuaciones lineales
Llamamos M
mn
(K) al conjunto de las matrices A = (a
ij
) (i =
1, 2, . . . , m; j = 1, 2, . . . , n) donde los elementos a
ij
pertenecen
a un cuerpo K.
Las matrices, de cierta manera, heredan las operaciones del cuerpo
K ,as podemos denir las siguientes operaciones de matrices:
Suma: A, B M
mn
(K), entonces A+B = (a
ij
+b
ij
).
Producto de un elemento de K por una matriz: Si a K y
A M
mn
(K), entonces a A = (a a
ij
).
Propiedades
1) (M
mn
(K), +) es grupo abeliano.
2) a (A+B) = a A+a B
3) (a +b) A = a A+b A
4) a (b A) = (a b) A
5) 1 A = A
Producto de Matrices: Si A M
mn
(K) y B M
np
(K)
entonces
AB =
_
n
k=1
a
ik
b
kj
_
M
mp
(K)
Propiedades:
1. A(BC) = (AB)C
2. AI
n
= I
m
A = A
El anillo de las matrices cuadradas (I)
(M
nn
(K), +, ) es un anillo con unidad (la matriz identidad).
A los elementos de este anillo que son inversibles, les llamamos
matrices regulares o inversibles, en caso contrario las llamamos
matrices singulares.
Si A es cuadrada de orden n, se dene A
0
= I
n
. Para cualquier
k Z
+
se tiene que A
k
= AA
k1
y si A es inversible A
k
=
(A
1
)
k
.
Tipos especiales de matrices cuadradas . Dada una matriz
cuadrada A = (a
ij
), se tiene
Matriz diagonal: a
ij
= 0 si i = j.
Matriz escalar Matriz diagonal, de forma que a
ii
= para cada i.
Es decir A = I
n
.
El anillo de las matrices cuadradas (II)
Matriz triangular inferior a
ij
= 0 si i < j.
Matriz triangular superior a
ij
= 0 si i > j.
Matriz simetrica A = A
T
.
Matriz antisimetrica A = A
T
.
Traza: Suma de los elementos de la diagonal principal. a
11
+a
22
+
.... +a
nn
Independencia y dependencia lineal
Llamamos combinacion lineal de las (o columnas) f
1
, f
2
, . . . , f
k
a una expresion de la forma
a
1
f
1
+a
2
f
2
+. . . +a
k
f
k
donde los a
i
son elementos del cuerpo K.
Diremos que un conjunto de las (o columnas) de una matriz son
linealmente independientes si ninguna de ellas se puede expresar
como combinacion lineal de las restantes. En caso contrario se dice
que el conjunto de las (o columnas) es linealmente dependiente.
Rango de una matriz
Llamamos rango por las de una matriz al n umero maximo
de las linealmente independientes. Asimismo llamamos rango
por columnas al n umero maximo de columnas linealmente
independientes.
Teorema 1. El rango por las de cualquier matriz coincide
con su rango por columnas. A dicho n umero le llamamos
simplemente rango de la matriz.
Mediante el calculo de determinantes, podremos calcular de forma
facil el rango de una matriz, deniendolo como el orden de la
mayor submatriz cuadrada con determinante no nulo.
Calculo de determinantes
Determinante de una matriz de orden 2:
A =
_
a
11
a
12
a
21
a
22
_
= det
_
a
11
a
12
a
21
a
22
_
=
a
11
a
12
a
21
a
22
= a
11
a
22
a
12
a
21
Determinante de una matriz de orden 3: (Regla de Sarrus)
A =
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
= det
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
=
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
=
a
11
a
22
a
33
+a
12
a
23
a
31
+a
13
a
2,1
a
32
(a
13
a
22
a
31
+a
12
a
21
a
33
+a
11
a
23
a
32
)
Resolucion de Sist. de Ec. lineales
Teorema de Rouche-Frobenius
Dado un sistemas de ecuaciones Ax = b, donde A M
mn
(K)
y b K
m
, representaremos por (A|b) la matriz ampliada obtenida
a nadiendo a la matriz A la columna formada por los elementos
de b. Entonces, siendo n es el n umero de incognitas, se tiene que
Si rang A = rang(A|b), entonces el sistema es incompatible.
Si rang A = rang(A|b) y
rang A = n, el sistema es compatible determinado.
rang A < n, el sistema es compatible indeterminado.
Para el caso homogeneo, Ax = 0, siempre el vector x =

0 es
solucion. Por tanto, solo si rang A < n existen soluciones distintas
de la trivial.
Interpretacion geometrica (I)
1. Si tenemos un sistema de dos ecuaciones con dos incognitas,
podemos tenemos los siguientes casos:
(a) SCD: Dos rectas que se cortan en un punto
(b) SCI: Dos rectas coincidentes
(c) SI: Dos rectas paralelas
Interpretacion geometrica (y II)
2. Si tenemos un sistema de tres ecuaciones con tres incognitas,
podemos tenemos los siguientes casos:
(a) SCD: Los tres planos se cortan en un solo punto
(b) SCI
i. Los tres planos se cortan en una recta
ii. Dos planos son coincidentes y el otro los corta en una recta
iii. los tres planos son coincidentes
(c) SI
i. Los planos se cortan dos a dos
ii. Dos planos son paralelos y el otro los corta
iii. Los tres planos son paralelos
iv. Dos planos son paralelos y el otro coincidente con uno de ellos
Regla de Cramer (I)
Mediante la Regla de Cramer podremos calcular la solucion de un
sistema lineal de ecuaciones en terminos de determinantes.
1. Sistema de 2 ecuaciones con 2 incognitas
Dado el sistema de ecuaciones:
_
ax +by = e
cx +dy = f
Lo representamos de forma matricial como:
_
a b
c d
_ _
x
y
_
=
_
e
f
_
x =
e b
f d
a b
c d
y =
a e
c f
a b
c d

Regla de Cramer (y II)
2. Sistema de 3 ecuaciones con 3 incognitas
_
_
ax +by +cz = j
dx +ey +fz = k
gx +hy +iz = l
Trabajando en forma matricial, tenemos:
_
_
a b c
d e f
g h i
_
_
_
_
x
y
z
_
_
=
_
_
j
k
l
_
_
x =
j b c
k e f
l h i
a b c
d e f
g h i
, y =
a j c
d k f
g l i
a b c
d e f
g h i
, z =
a b j
d e k
g h l
a b c
d e f
g h i
Dpto. Matematica Aplicada 1.2 Espacios vectoriales. 15

1.2 Espacios vectoriales.
Denicion 1. Llamamos espacio vectorial sobre un cuerpo K a un
conjunto V con dos operaciones: una suma (+) V V V
(interna) y un producto () KV V (externa) que verican
las siguientes propiedades:
1. (V, +) tiene estructura de grupo abeliano.
2. La operacion externa () verica:
(a) (v + w) = v + w para K y v, w V .
(b) ( +)v = v +v para , K y v V .
(c) ()v = (v) para , K y v V .
(d) 1 v = v para v V (siendo 1 la unidad en K).
Representaremos por (V, +, , K) al espacio vectorial y llamamos
vectores a los elementos de V y escalares a los elementos de K.
Ejemplos:
(R
n
, +, , R) es el espacio vectorial real n-dimensional.
(K
n
, +, , K) es el espacio vectorial n-dimensional sobre K.
Si P es el conjunto de polinomios con coecientes reales,
entonces (P, +, , R) es un espacio vectorial.
Las matrices mn denidas sobre cualquier cuerpo K tambien
forman un espacio vectorial (sobre el mismo cuerpo K).
Teorema 2. En todo espacio vectorial se tienen las siguientes
propiedades:
a) 0 v =
0
b)
0 =
0
c) Si v =
0, entonces = 0 y/o v =
0
d) (1)v = v
e) ()v = (v) = (v)
Combinacion lineal. Sera todo vector de la forma
1
v
1
+
2
v
2
+... +
n
v
n
donde
i
K y v
i
V .
Nota.-
Todo vector es combinacion lineal de s mismo.
El vector

0 es combinacion de cualquier conjunto de vectores.
Dependencia e independencia lineal
Si S = {v
1
, v
2
, . . . , v
n
} es un conjunto nito de vectores (sistema
de vectores) de V , diremos que son linealmente dependientes
(l.d.) si existe una combinacion lineal de ellos
1
v
1
+
2
v
2
+... +
n
v
n
=
0
con al menos un
i
= 0.
En caso de que toda la combinacion lineal igualada a

0 implique
1
=
2
= =
n
= 0, decimos que los vectores son
linealmente independientes (l.i.).
Ejemplos
En el e.v. de las funciones reales F(R, R) los conjuntos
de vectores {1, x, x
2
} y {sen x, cos x} son l.i. En cambio
{1, sen
2
x, cos
2
x} son l.d.
En los e.v. K
n
, si tenemos un sistema de vectores S =
{v
1
, v
2
. . . v
m
} podemos construir la matriz A formada por dichos
vectores puestos en columna. Entonces el maximo n umero de
vectores independientes de S coincide con el rango de la matriz A.
As en R
4
el conjunto de vectores
{(1, 2, 4, 3), (2, 1, 1, 0), (3, 3, 3, 3)}
es l.d. porque la matriz A =
_
_
_
_
1 2 3
2 1 3
4 1 3
3 0 3
_
_
_
_
tiene rango 2.
Teorema 3. Sea V un e.v., entonces:
1. Si v =
0, entonces {v} es l.i.

2. Todo sistema de vectores que contenga el

0 es l.d.
3. Si S es un sistema de vectores l.i. y S
S, entonces S
es l.i.
4. Si S es un sistema de vectores l.d. y S S
, entonces S
es l.d.
5. Si S es un sistema de vectores, no todos nulos, l.d.,
entonces al menos uno de los vectores se puede expresar
como combinacion de los restantes.
6. Si S es un sistema de vectores l.i. y S{v} es l.d., entonces
v es combinacion lineal de los vectores de S.
Subespacios Vectoriales
Dado un e.v. V y W V , W = , diremos que es subespacio
vectorial si verica:
a) para cada v, w W se tiene v + w W.
b) para cada v W y K se tiene v W.
O equivalentemente,
v + w W para cada , K y v, w W
Observese que {
0} es un subespacio vectorial (subespacio trivial).

Un subespacio vectorial W V diremos que es subespacio propio
si W = {
0} y W = V .
Ejemplos
Si V = R
2
, W = {(x, y) | y = mx}, siendo m un n umero real,
es un subespacio vectorial.
Si V = R
3
, W = {(x, y, z) | ax +by +cz = 0}, siendo a, b, c
n umeros reales, es un subespacio vectorial.
Si V = R
2
, W = {(x, y) | x + y = 1} no es un subespacio
vectorial.
Si V = P es el espacio vectorial de los polinomios con
coecientes reales, entones W = P
n
el conjunto de polinomios
de grado menor o igual que n es un subespacio vectorial.
Teorema 4. Dado un sistema de vectores S V , S = , el
conjunto L(S) formado por todas sus posibles combinaciones
lineales de los vectores de S forman un subespacio vectorial
de V .
Denicion 2. A este subespacio vectorial L(S) se le llamara
subespacio generado por el conjunto de vectores S. Si
{v
1
, v
2
, . . . , v
n
} es dicho conjunto se representa por L(S) =
v
1
, v
2
, . . . , v
n
.
Denicion 3. Si W es un subespacio vectorial de V y S es un
sistema de vectores tal que L(S) = W decimos entonces que
S es un sistema generador de W.
Ejemplo: Si V = R
4
y W = (1, 2, 0, 0), (0, 3, 1, 0), entonces
los vectores de W son de la forma:
(x, y, z, t) = (1, 2, 0, 0) +(0, 3, 1, 0)
donde y son n umeros reales cualesquiera.
Ejemplo
En el e.v. P de los polinomios con coecientes reales, los
vectores S = {1 x, 1 + x
2
, 2x + x
2
} es un sistema generador
del s.v. P
2
de los polinomios de grado menor o igual que 2.
Para ver esto comprobamos que cualquier polinomio de la forma
a + bx + cx
2
es combinacion lineal de los vectores de S, puesto
que
a +bx +cx
2
= (1 x) +(1 +x
2
) +(2x +x
2
)
nos plantea el sistema compatible de ecuaciones
_
_
1 1 0
1 0 2
0 1 1
_
_
_
_
_
_
=
_
_
a
b
c
_
_
Ademas, es evidente que cualquier polinomio de grado mayor que
2 no puede ser expresado como combinacion lineal de los vectores
de S.
Bases y dimension
Denicion 4. Llamamos base de un espacio vectorial V a un
sistema de vectores B linealmente independiente que es un
sistema generador de V , es decir L(B) = V .
Ejemplos:
1. En los e.v. K
n
, el sistema de n vectores
{(1, 0, 0, . . . , 0), (0, 1, 0, . . . , 0) . . . (0, 0, . . . , 0, 1)}
es una base, a la que llamamos base canonica.
2. En el e.v. P
n
los polinomos {1, x, x
2
, . . . , x
n
} forman una
base.
3. Los e.v. de los polinomios P admiten una base innita
numerable {1, x, x
2
, . . . , x
n
, x
n+1
, . . .}.
4. En Z
3
5
tenemos que el sistema
{(0, 1, 0), (0, 2, 3), (4, 1, 3)}
forma una base.
5. En el subespacio de R
4
siguiente
W = (1, 2, 4, 3), (2, 1, 1, 0), (3, 3, 3, 3)
una base de W estara formada por cualesquiera dos vectores
del sistema generador.
Nota: Nos interesan especialmente los e.v. con bases nitas.
Esp. Vec. de dimension nita
Teorema 5. Si un e.v. admite una base nita con n vectores
entonces todas las bases tienen exactamente n vectores.
Denicion 5. Si un e.v. tiene una base nita de n vectores
decimos que es de dimension nita. Al n umero natural n
lo llamamos dimension del espacio. Aceptamos que el e.v.
trivial {
0} es el unico espacio de dimension 0.

Teorema 6. Si B = {v
1
, v
2
, . . . , v
n
} es una base de un espacio
vectorial, cada vector v del espacio se puede expresar de
forma unica como combinacion lineal de los vectores de B
v =
1
v
1
+
2
v
2
+ +
n
v
n
y se dice que (
1
,
2
, . . . ,
n
) son las coordenadas de v
respecto de la base B.
Ejercicios
1. Fija dos bases distintas para el e.v. generado por el sistema de
vectores
{(1, 2, 4, 3), (2, 1, 1, 0), (3, 3, 3, 3)}
y determina, de entre los siguientes vectores, los que pertenecen
a dicho espacio y que coordenadas tienen respecto de cada una
de las bases.
a) (2, 1, 4, 3) b) (1, 2, 4, 3)
c) (5, 4, 2, 3) d) (3, 2, 1, 3)
2. Encuentra las coordenadas del vector (3, 1, 2) sobre las
siguientes bases de Z
3
5
:
(a) La base canonica {(1, 0, 0), (0, 1, 0), (0, 0, 1)}.
(b) La base {(0, 1, 0), (0, 2, 3), (4, 1, 3)}.
Cambio de base (I)
Si B = {v
1
, v
2
, . . . , v
n
} y B
= { w
1
, w
2
, . . . , w
n
} son bases de
un mismo e.v. V . Llamaremos ecuaciones de cambio de base a:
_
_
_
_
v
1
v
2
.
.
.
v
n
_
_
_
_
=
_
_
_
_
p
11
p
12
p
1n
p
21
p
22
p
2n
.
.
.
.
.
.
.
.
.
.
.
.
p
n1
p
n2
p
nn
_
_
_
_
_
_
_
_
v
1
v
2
.
.
.
v
n
_
_
_
_
siendo
P
B
B
=
_
_
_
_
p
11
p
12
p
1n
p
21
p
22
p
2n
.
.
.
.
.
.
.
.
.
.
.
.
p
n1
p
n2
p
nn
_
_
_
_
la matriz del cambio de base de B a B
.
Cambio de base (y II)
Dado un vector v respecto de las dos bases, tenemos:
v =
1
v
1
+
2
v
2
+ +
n
v
n
v =
1
v
1
+
2
v
2
+ +
n
v
n
Quedando relacionadas dichas coordenadas por:
_
1
,
2
, ,
n
_
=
_
1
,
2
, ,
n
_
_
_
_
_
p
11
p
12
p
1n
p
21
p
22
p
2n
.
.
.
.
.
.
.
.
.
.
.
.
p
n1
p
n2
p
nn
_
_
_
_
1
Si denotamos por
B
(v) =
_
1
,
2
, ,
n
_
tenemos:
B
(v) =
B
(v)P
1
B
B
=
B
(v)P
BB

Ecuaciones cartesianas y parametricas
En los e.v. K
n
podemos representar los subespacios de las
siguientes dos formas:
Ecuaciones Cartesianas: Dar restricciones a las coordenadas de los
vectores del espacio para que pertenezcan al subespacio.
Ejemplo. Un subespacio de R
4
esta denido por vectores
(x, y, z, t) denidos por las siguientes coordenadas cartesianas:
x +y + 2t = z
z y = t
_
Resolviendo el sistema de ecuaciones
_
1 1 1 2
0 1 1 1
_
_
_
_
_
x
y
z
t
_
_
_
_
=
_
0
0
_
nos da como subespacio
W = {(, , , ) | , R}
de donde W = (1, 1, 0, 1), (0, 1, 1, 0).
Ecuaciones parametricas: Expresar las coordenadas de los vectores
del subespacio en funcion de parametros que pueden tomar
cualquier valor de los escalares en el cuerpo.
Ejercicio. Las ecuaciones parametricas del subespacio W denido
en el ejercicio anterior son:
x =
y =
z =
t =
_
_
Interseccion de subespacios
Dada una familia {V
i
} de susbespacios de V , la interseccion
i
V
i
= {x V | x V
i
para cada i}
es tambien un subespacio vectorial de V .
Teorema 7. Si S es un sistema de vectores de V , entonces
L(S) es la interseccion de todos los subespacios vectoriales
que contienen a S.
Es decir L(S) es el menor subespacio vectorial que contiene a
S.
Ejemplo de interseccion de
subespacios
Consideremos en R
4
los subespacios vectoriales F=< a, b, c > y
G=< d, e > con a=(1,2,3,4), b= (2,2,2,6), c= (0,2,4,4), d=(1,0,-
1,2) y e= (2,3,0,1) Determina una base de F G
Solucion:
Sea x F G, entonces, x = a + b + c y x = md + ne.
Resolviendo el sistema obtenemos que = m, = m, = 0y
n = 0.
Por tanto, x = (m, 0, m, 2m) siendo < (1, 0, 1, 2) > una
base de F G
Suma de subespacios
Dados dos s.v. V
1
y V
2
de V , se dene
V
1
+V
2
= {v
1
+v
2
| v
1
V
1
y v
2
V
2
}
que es un nuevo subespacio vectorial que contiene a V
1

V
2
.Observese que la simple union de subespacios no es subespacio
vectorial.
Ejercicio. Dados V
1
= (1, 2, 1, 0), (2, 0, 0, 1) y V
2
=
(3, 2, 1, 1), (1, 0, 0, 1), determina las ecuaciones cartesianas
y parametricas del s.v. V
1
+V
2
de R
4
.
Denicion 6. Si V
1
V
2
= {
0}, a la suma de subespacios la

llamamos suma directa de subespacios y se representa V
1
V
2
.
Teorema 8.
1. Si V y W son subespacios tales que W V , entonces
dimW dimV
2. Si W
1
, W
2
son s.v. de V , de dimension nita, se tiene
dim(W
1
+ W
2
) = dimW
1
+ dimW
2
dim(W
1
W
2
)
En particular dim(W
1
W
2
) = dimW
1
+ dimW
2
.
Ejercicios:
Dado el subespacio W
1
= (1, 2, 4, 3), (2, 2, 0, 1), (3, 4, 4, 2)
de R
4
, encuentra una base para el espacio complementario W
2
en
R
4
, es decir W
1
W
2
= R
4
. (Se trata de buscar un vector l.
independiente a los anteriores)
Ejemplo de suma de subespacios (I)
Consideremos en R
4
los subespacios vectoriales F=< a, b, c > y
G=< d, e > con a=(1,2,3,4), b= (2,2,2,6), c= (0,2,4,4), d=(1,0,-
1,2) y e= (2,3,0,1) Determina una base de F + G. Es la suma
directa?
Solucion:
Sabemos que
dim(W
1
+ W
2
) = dimW
1
+ dimW
2
dim(W
1
W
2
)
=3+2-1=4. Una base de F + G estara formada por tanto por 4
vectores, por ejemplo, los vectores {a, b, c} mas un vector de G
de forma que los 4 sean linealmente independientes.
Ejemplo de suma de subesp. (y II)
como
1 2 3 4
2 2 2 6
0 2 4 4
2 3 0 1
= 16
una base de F +G estara formada por B = {a, b, c, e}.
Anteriormente vimos que F G = {0}, la suma de F con G no
es directa.
Dpto. Matematica Aplicada 1.3 Aplicaciones lineales. 39
1.3 Aplicaciones Lineales
Si V y W son dos e.v. sobre un mismo cuerpo K, llamamos
aplicacion lineal (a.l.) de V en W a una funcion f : V W que
verica:
f( u +v) = f( u) +f(v) u, v V
f(v) = f(v) K, v V
Si V = W entonces la aplicacion lineal se llama endomorsmo
Si la a.l. es sobreyectiva se dira que es un epimorsmo
Si la a.l. es inyectiva se dira que es un monomorsmo
Si la a.l. es biyectiva se dira que es un isomorsmo
Ejemplos
Ejemplo 1. Estudiar si las siguientes funciones son aplicaciones
lineales:
1. f : R
2
R
3
, f(x, y) = (x y, 0, 2x + 5y)
2. f : R
2
R
3
, f(x, y) = (x y + 1, 0, 2x + 5y)
3. f : P
3
(R) P
3
(R), f[p(x)] = xp
(x)
Propiedades
Si f : V W es una aplicacion lineal sobre un cuerpo K, se tiene
1. f( u v) = f( u) f(v)
2. f(
0
V
) =
0
W
Caracterizacion de una aplicacion lineal
f : V W es una aplicacion lineal si y solo si, u, v
V , K
f( u +v) = f( u) +f(v)
Teorema 9. Si V es un e.v. de dimension nita n sobre un
cierto cuerpo K, entonces V es isomorfo a K
n
.
Es decir los e.v. de dimension nita podemos considerarlos como
conjuntos de n-tuplas sobre un cierto K.
Matriz de una aplicacion lineal (I)
Sean U y V dos e.v., sobre un cuerpo K. Si B
1
= { u
1
, u
2
, . . . , u
m
}
es una base de U y B
2
= {v
1
, v
2
, . . . , v
n
} es una base de V ,
entonces cada vector f(u
i
) se puede expresar respecto de la base
B
2
como:
f(u
1
) = a
11
v
1
+ +a
1n
v
n
.
.
.
.
.
.
f(u
i
) = a
i1
v
1
+ +a
in
v
n
.
.
.
.
.
.
f(u
m
) = a
m1
v
1
+ +a
mn
v
n
Matriz de una aplicacion lineal (y II)
Llamaremos matriz de f respecto de las bases B
1
y B
2
a la matriz:
M
B
1
B
2
(f) =
_
_
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
mn
_
_
_
_
Por tanto, v = f( u) si y solo si
B
2
(v) =
B
1
(u)M
B
1
B
2
(f)
Cambio de base en aplicaciones
lineales
Sean U y V dos espacios vectoriales de dimensiones m y n.
Consideremos dos bases de U
u = (u
1
, , u
m
) u
= (u
1
, , u
m
)
y dos bases de V
v = (v
1
, , v
n
) v
= (v
1
, , v
n
)
, por tanto (u
)
t
= Pu
t
y (v
)
t
= Qv
t
. Si A es la matriz asociada
a f respecto de las bases u y v y A
es la matriz asociada a f
respecto de las bases u
y v
se tiene que:
A
= PAQ
1
Cambio de base en a.l. Ejemplo (I)
Sea f : R
3
R
2
una aplicacion lineal cuya matriz asociada
en las bases B
1
= {(1, 0, 0), (0, 1, 0), (0, 0, 1)} y B
2
=
{(1, 1), (0, 1)} es
_
_
1 1
0 1
1 0
_
_
Calcula la matriz de f con respecto a las bases canonicas
En R
3
la matriz de paso de la base canonica a la base B
1
es
P
B
1
C
=
_
_
1 0 0
0 1 0
0 0 1
_
_
Notese que calculamos esta matriz por facilidad. Posteriormente
calcularemos la inversa ya que P
CB
1
= P
1
B
1
C
Cambio de base. Ejemplo ( y II)
En R
2
la matriz de paso de la base canonica a la base B
2
es
P
B
2
C
=
_
1 1
0 1
_
y como
M
B
1
B
2
=
_
_
1 1
0 1
1 0
_
_
Aplicamos lo visto anteriormente, teniendo que la matriz pedida
es:
P
CB
1
M
B
1
B
2
P
B
2
C
= P
1
B
1
C
M
B
1
B
2
P
B
2
C
=
_
_
1 2
0 1
1 1
_
_
N ucleo e Imagen de una aplic. lineal
Denicion 7. Sea f : V W una aplicacion lineal.
Llamamos N ucleo de f (Kerf) al conjunto de vectores de
V cuya imagen es el elemento neutro de W.
Kerf = {v V | f(v) =
0
W
}
Denicion 8. Llamamos Imagen de f (Imf) al conjunto de
vectores de W que son imagenes bajo f de vectores de V .
Imf = { w W | v V | f(v) = w}
Teorema 10. Si f : V W es una aplicacion lineal entre dos
e.v. sobre un cuerpo K, se tiene que:
1. Kerf es un subespacio vectorial de V
2. Imf es un subespacio vectorial de W
Ejemplo 2. Calcular n ucleo e imagen de las siguientes
aplicaciones lineales.
1. f : R
3
R
3
, f(x, y, z) = (z, x +y, z)
2. f : R
3
R
2
, f(x, y, z) = (x +y, 0)
3. f : R
2
R
2
, f(x, y) = (y, x)
4. f : R
3
R
2
, f(x, y, z) = (y, z)
Teorema 11. Dada una a.l. f : V W y un sistema
generador de V , {v
1
, v
2
, . . . , v
p
}, se tiene que los vectores
{f(v
1
), f(v
2
), . . . , f(v
p
)} forman un sistema generador de
Im(f).
Teorema 12. Sea f : V W una a.l. donde V es un e.v. de
dimension nita. Entonces se verica
dim(V ) = dim(Kerf) + dim(Imf)
Teorema 13. Sea f : V W una aplicacion lineal. Entonces:
1. f es inyectiva si y solo si Kerf = {
0
V
}
2. f es sobreyectiva si y solo si Imf = W
Teorema 14. Sean V y W dos espacios vectoriales de
dimension n y f : V W una aplicacion lineal. Entonces
son equivalentes:
1. f es biyectiva
2. f es inyectiva
3. f es sobreyectiva
4. dimension de Im(f )=rang(f)=n
5. dimension de Ker(f)=nulidad de f=nul(f)=0
Imagen y N ucleo. Ejemplo (I)
Dado el endomorsmo de R
3
denido por (x
1
, x
2
, x
3
)
(y
1
, y
2
, y
3
) donde y
1
= x
1
+x
2
+x
3
, y
2
= x
1
+x
2
x
3
, y
3
= x
3
con respecto a la base canonica, calcula:
1. Ker(f)
2. Im(f)
3. f(V ) con V = {(x, y, z) R
3
: x +y +z = 0}
N ucleo
Para que (x
1
, x
2
, x
3
) Ker(f), se tiene que cumplir que
(y
1
, y
2
, y
3
) = (0, 0, 0), lo cual implica que x
3
= 0, x
2
= x
1
,
por lo tanto el n ucleo de f esta generado por el vector
(1, 1, 0)
Imagen y N ucleo. Ejemplo (II)
Imagen de f
Un elemento generico de la imagen es:
(y
1
, y
2
, y
3
) = (x
1
+x
2
)(1, 1, 0) +x
3
(1, 1, 1)
siendo (1, 1, 0) y (1, 1, 1) dos vectores linealmente
independientes y por lo tanto base de la Im(f)
Otra forma de hallarla es calcular la imagen de los vectores
de la base que nos dara un sistema generador de Im(f)
(Teorema 11)
f(1, 0, 0) = (1, 1, 0)
f(0, 1, 0) = (1, 1, 0)
f(0, 0, 1) = (1, 1, 1)
Si nos quedamos con los vectores linealmente independientes,
tendremos la base buscada.
Imagen y N ucleo. Ejemplo (y III)
f(V)
La imagen de V vendra dada por:
f(x, y, z) = (0, x+yz, z) = (0, 2(x+y), (x+y)) = (x+y)(0, 2, 1)
luego f(V ) vendra generada por el vector (0, 2, 1)
Otra forma sera calcular una base del subespacio V y aplicar
el Teorema 11,
x +y +z = 0 z = x y x = , y = , z =
Por lo cual, aplicando f a una base de V tenemos que:
f(1, 0, 1) = (0, 2, 1)
f(0, 1, 1) = (0, 2, 1)
sistema generador de la Im(V )

Tema 1 - Teoria

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Tema 1 - Teoria

Încărcat de

Drepturi de autor:

Formate disponibile

Algebra Lineal

Dpto. Matematica Aplicada 14

Dpto. Matematica Aplicada 1.2 Espacios vectoriales. 15

0, entonces {v} es l.i.

0} es un subespacio vectorial (subespacio trivial).

0} es el unico espacio de dimension 0.

Dpto. Matematica Aplicada 1.2 Espacios vectoriales. 31

0}, a la suma de subespacios la

S-ar putea să vă placă și