Espacio Vectorial

CAPı́TULO 1
ESPACIOS VECTORIALES
En muchas ramas de la matemática aparecen conjuntos cuyos elementos pueden

ser sumados y multiplicados por números, o sea; en donde podemos realizar combi-
naciones lineales. Un ejemplo ya visto es el de las listas de números reales. Estas
operaciones particularmente simples se generalizan a los elementos (vectores) de una
estructura algebraica que por su sencillez y amplitud se utiliza con diversos tipos de
objetos y en diversos tipos de aplicaciones.
En este Capı́tulo desarrollamos este concepto central del curso, el de espacio vec-
torial. Este concepto condensa en una estructura algebraica las nociones que hemos
venido considerando. Todas las ideas básicas de esta sección ya fueron tratadas al
desarrollar la teorı́a de los sistemas lineales. Nociones como: combinaciones lineales,
generadores, bases, subespacios ya fueron vistas. Estas dependı́an de cierta estruc-
tura llamada de espacio que Kn posee. En este capı́tulo llevamos estas nociones a
un contexto más amplio, espacio vectorial, que es una estructura general en donde
podemos tomar combinaciones lineales.
La idea de combinación lineal es lo que permite considerar generadores, conjun-

tos linealmente independientes, bases; tenga presente los resultados de los capı́tulos
anteriores. Muchas veces el lector notará que las demostraciones o argumentaciones
que haremos son análogas a las realizadas para Kn . Es importante que el lector esté
atento a este tipo de idea.
Un concepto fundamental , el de independencia lineal, definido de forma par-

ticularmente simple, pero cuya comprensión en toda su riqueza -nuestra experiencia
lo indica- merece una atención especial por parte de quien lo analiza por primera vez.
Realizar muchos ejercicios con este nuevo concepto abstracto, comprender bien como
1
2 1. ESPACIOS VECTORIALES
se le utiliza en diversas demostraciones, es una recomendación que hacemos amistosa-

mente al lector. La independencia lineal es lo que nos permite tener unicidad a la
hora de las combinaciones lineales: evita que tengamos muchas maneras de expresar
un vector como combinación lineal de otros evitando ası́ redundancias.
Al desarrollar el concepto de espacio vectorial trataremos de hacer hincapié en

las nociones geométricas simples que son comunes a otras ramas de la matemática
y motivar en todo lo posible en base al concepto de vectores de Kn enfatizando una
significación geométrica.
El lector podrá y deberá recurrir frecuentemente a motivaciones basadas en los vec-
tores de R3 o en las matrices, pero el objeto en estudio es un concepto abstracto,
mucho más general, cuya comprensión y manejo fluido es una de las finalidades de
este curso.
1.1. ESPACIOS VECTORIALES
Vamos a resumir los elementos que consideramos centrales para la estructura de

espacio vectorial. En muchos libros la definición siguiente es también presentada como
los axiomas de espacio vectorial.
DEFINICIÓN 1. Un espacio vectorial sobre un cuerpo K o, un K-espacio

vectorial consta de cuatro elementos ordenados {V, K, +, ·}
1: Un conjunto V no vacio cuyos elementos se llamarán vectores.

2: El cuerpo K, cuyos elementos se llamarán escalares.
3: Una operación llamada suma de vectores, y denotada con el sı́mbolo +,
+ : V × V → V,
quiere decir que u + v está definida para todo par (u, v) ∈ V × V y da como
resultado un elemento V . El dominio es el producto cartesiano V × V y
cuyo codominio es V .
4: Una operación llamada producto de un escalar por un vector, y deno-
tada con el sı́mbolo ·,
· :K×V →V,
cuyo dominio es K × V y cuyo codominio es V ;

que verifican las siguientes propiedades:
Para la suma:
1.1. ESPACIOS VECTORIALES 3
S1) Asociativa: Dados u, v, w ∈ V se cumple (u + v) + w = u + (v + w).

S2) Conmutativa: Para cualquier u, v ∈ V tenemos u + v = v + u.
S3) Neutro: Existe un elemento 0 ∈ V , llamado “vector nulo”tal que , ∀u ∈ V
se tiene 0 + u = u + 0 = u.
S4) Opuesto: Para cada vector u ∈ V , existe un vector llamado “opuesto de
u”, denotado como −u, tal que u + (−u) = (−u) + u = 0.
Para el producto:
P1)Asociativa respecto del pruducto por escalares: Para todo α, β ∈
K y todo u ∈ V se cumple α · (β · u) = (α.β) · u
P2) Multiplicación por la unidad del cuerpo: Sea 1 el neutro del pro-
ducto en K entonces 1 · u = u, ∀ u ∈ V .
P3) Distributiva respecto de suma de vectores: Para todo α ∈ K y u, v ∈
V se cumple α · (u + v) = α · u + α · v.
P4) Distributiva respecto de suma de escalares: Para todo α, β ∈ K y
u ∈ V se cumple (α + β) · u = α · u + β · u.
OBSERVACIÓN 2. El lector comparará estas propiedades de la definición de

espacio vectorial con las propiedades de las n-uplas de números reales o de las matrices
con sus operaciones de suma y producto por un escalar.
OBSERVACIÓN 3. En P4) la suma de escalares (suma dentro de K) se es-

cribió con el sı́mbolo + pero no hay que confundirla con la suma dentro de V , que
se representa también con el sı́mbolo +. Si miramos R2 como el espacio vectorial
{R2 , R, +, ·} donde las operaciones son las que fueron introducidas para listas de 2
números tenemos como ejemplo de esta situación
2 + 2.5 = 4.5 suma en el cuerpo,
(2, 1) + (1, 0) = (3, 1) suma de vectores.
De la misma manera, si miramos P1) aparecen en la igualdad a la izquierda el producto
escalar y a la derecha el producto en K y el producto escalar.
Existen propiedades que son obvias en algunos de los ejemplos: Kn , matrices; pero
que, en un espacio vectorial general debemos mostrar que las mismas se cumplen. Para
ello debemos poder deducirlas a partir de las operaciones y sus propiedades postuladas
en la definición de la estructura. Veamos algunos ejemplos de esta situación.
PROPOSICIÓN 4. En todo espacio vectorial {V, K, +, ·} se cumple:

1: el neutro es único.
2: Para cada vector u ∈ V su opuesto −u es único.

Demostración. 1) Sean 01 y 02 dos neutros; debido a su función como neutros
01 = 01 + 02 = 02 ,
luego son iguales.
2) Sean (−u)1 y (−u)2 dos opuestos de u:
(−u)1 = 0 + (−u)1 = [(−u)2 + u] + (−u)1

= (−u)2 + [u + (−u)1 ] = (−u)2 + 0
= (−u)2 ,
luego coinciden.
1.1.1. EJEMPLOS DE ESPACIOS VECTORIALES.

EJEMPLO 5. En general si V es el conjunto de las n-úplas ordenadas de
números reales, V = R × R × . . . × R = Rn , K = R y las operaciones como fueron
definidas para listas de n números. Es fácil ver que {Rn , R, +, ·} es un espacio vec-
torial sobre R, con 0 = (0, 0, · · · , 0) y − (a1 , a2 , · · · , an ) = (−a1 , −a2 , · · · , −an ). Las
operaciones de este ejemplo se llaman usuales de Rn .
OBSERVACIÓN 6. A veces, por abuso de lenguaje los espacios vectoriales se
indican por el conjunto de vectores V , sobreentendiendo el cuerpo K y las operaciones
+ y ·.
En el ejemplo anterior solo se dice el espacio vectorial Rn .
def
EJEMPLO 7. Notación: El sı́mbolo = quiere decir que el miembro de la
izquierda esta siendo definido mediante la expresión de la derecha.
Sea V el conjunto de las sucesiones de números reales, K = R, y las operaciones
+ y · definidas como sigue:
Dadas {an } y {bn }∈ V , y dado λ ∈ R:
la suma de dos sucesiones es definida como la sucesión que se obtiene sumando los
términos n-ésimos de las sucesiones dadas,
def
{an } + {bn } = (a1 + b1 , a2 + b2 , ..., an + bn , ...) = {an + bn } ,
el producto definido por:
def
λ · {an } = λ · (a1 , a2 , . . . , an ) = (λ.a1 , λ.a2 , . . . , λ.an ) = {λ.an } .
Es fácil comprobar que es un espacio vectorial real . El vector nulo es la sucesión
que tiene todos sus términos iguales a cero. Se verifica además − {an } = {−an }
1.1. ESPACIOS VECTORIALES 5
EJEMPLO 8. El conjunto de las n-uplas ordenadas de números complejos V =

n
C con las operaciones definidas como en el ejemplo 1.5 tomando K = C forma un
C-espacio vectorial {Cn , C, +, ·}.
EJEMPLO 9. Si K = R, y las operaciones en Cn se definen en forma análoga al

ejemplo anterior (y en forma análoga al ejemplo 1.5), resulta {Cn , R, +, ·} un espacio
vectorial real (distinto del ejemplo 1.8 , puesto que difieren en el cuerpo K).
EJEMPLO 10. Consideramos R[x] el conjunto de todos los polinomios en una

variable con coeficientes reales, K = R, la suma usual de polinomios y el producto
usual de un número por un polinomio. {R[x], R, +, ·} es un R–espacio vectorial.
EJEMPLO 11. El conjunto de todas las funciones f : [a, b] → R, forma un

R-espacio vectorial, con las operaciones usuales de suma de funciones y producto de
un número real por una función. Es decir:
def def
suma: f + g = h donde h(x) = f (x) + g(x) ∀x ∈ [a, b].
def def
producto por escalar: λ · f = k donde k (x) = λf (x) ∀ x ∈ [a, b] .
EJEMPLO 12. Las sucesiones de números complejos con la suma de sucesiones

y el producto de una sucesión por un número complejo definidos en forma similar al
ejemplo 1.7 constituyen un C-espacio vectorial.
EJERCICIO 1. En todos los ejemplos anteriores, verificar que efectivamente

son espacios vectoriales. O sea, verificar que se cumplen las propiedades incluidas en
la definición 1.1, para la suma y el producto por escalares.
EJEMPLO 13. Sea V el conjunto de sucesiones de números complejos. Si

+ : V × V → V y · : R × V → V , definidas de manera análoga al ejemplo 1.7.
Entonces {V, R, +, ·} es un R-espacio vectorial distinto al del ejemplo 1.7 y la del
ejemplo 1.12.
EJEMPLO 14. Si en un K-espacio consideramos el conjunto {0}, este es un

K-espacio vectorial, donde 0+0=0 y α · 0 = 0 , ∀ α ∈ K.
EJEMPLO 15. El conjunto de los polinomios de grado menor o igual a n,

en una variable x, este conjunto se indica con Rn [x], K = R, y la suma y producto
por un real definido como 1.10, forman un espacio vectorial real.
EJEMPLO 16. El conjunto de los polinomios en una variable x, de grado

igual a n, con coeficientes reales, K = R y la suma y el producto definidos como en
el ejemplo 1.10, no forman un espacio vectorial
EJEMPLO 17. Con las operaciones usuales {R, C, +, ·} no es un espacio vecto-

rial.
EJERCICIO 2. Estudiar por qué no son espacios vectoriales los últimos dos
ejemplos.
OBSERVACIÓN 18. Se denota u − v a la suma u + (−v) con u, v ∈ V .
Ahora que tenemos más ejemplos de espacios vectoriales, vemos que en todos se
cumple que cuando el producto escalar de un escalar por un vector da el vector nulo,
o el escalar es el cero o, el vector es el nulo. Veamos que esto se cumple en general en
cualquier espacio vectorial; es decir, lo podemos deducir de la propiedades incluidas
en la definición de la estructura de espacio vectorial.
PROPOSICIÓN 19. Para todo u ∈ V se cumple 0 · u = 0.
Demostración. Utilizamos las propiedades del neutro de V , del opuesto, del

producto escalar por la unidad de K y las asociatividades
0·u =0·u+0
= 0 · u + (u − u) = (0 · u + 1 · u) − u
= (0 + 1) · u − u
= 1 · u − u = u − u = 0.

PROPOSICIÓN 20. Para todo α ∈ K se cumple α · 0 = 0.
Demostración. Sea u ∈ V un vector cualquiera de entonces
0 =α·u−α·u
= α · (0 + u) − α · u = (α · 0 + α · u) − α · u
= α · 0 + (α · u − α · u)
= α · 0 + 0 = α · 0.

Los dos resultados anteriores se pueden condensar en uno más general.
PROPOSICIÓN 21. Sean α ∈ K, u ∈ V . Entonces se cumple
α · u = 0 si y sólo si α = 0 y/o u = 0.
1.2. SUBESPACIOS 7
Demostración. (⇒): Supongamos que α 6= 0, como α · u = 0 utilizando P1 de

la definición de esapcio vectorial tenemos

α−1 · (α · u) = α−1 · 0 de donde α−1 α · u = 0,
o sea 1 · u = 0 utilizando P2 de la definición de espacio vectorial se deduce u = 0.
(⇐): son las Proposiciones 1.20 y 1.19.
PROPOSICIÓN 22. Para todo v ∈ V se cumple (−1) · v = −v.
Demostración. Basta ver que (−1) v es el opuesto de v, es decir

v + (−1) · v = 1 · v + (−1) · v
= [1 + (−1)] · v
= 0 · v = 0.

1.2. SUBESPACIOS
Al estudiar los sistemas lineales fueron introducidos varios subconjuntos de Kn

y Km asociados a las matrices. Estudiamos el espacio de columnas y de filas de una
matriz, el núcleo; en fin subconjuntos que tenian la propiedad que al sumar dos ele-
mentos del mismo o multiplicar uno por un escalar resulta otro elemento del mismo
subconjunto. Como ya vimos en el caso de sistemas muchas veces lo que nos interesa
no es todo el espacio sino que, ciertos subconjuntos nos dan mayor información.
Vamos a mirar, en un espacio vectorial subconjuntos con estas propiedades para

las operaciones de un espacio vectorial cualquiera.
DEFINICIÓN 23. Sea {V, K, +, ·} un espacio vectorial y W un subconjunto

no vacio de V . Decimos que W es un subespacio de V , si se cumple:
a) Para todo w1 y w2 ∈ W se cumple w1 + w2 ∈ W .
b) Para todo w ∈ W y λ ∈ K tenemos λ · w ∈ W .
Cuando un subconjunto W no vacio cumple a) o sea, que sumamos dos elementos

cualquiera de W y nos da un elemento de W decimos que W es “cerrado”frente a
la suma; de manera equivalente, en el caso b) decimos que es cerrado frente a la
multiplicación escalar . Eso nos permite resumir la definición diciendo que:
un subespacio de un espacio vectorial es un conjunto no vacı́o,
“cerrado”frente a la suma y al producto de escalares por vectores.
OBSERVACIÓN 24. Si W es un subespacio, entonces 0 ∈ W . Esto es porque,

como W es no vacio existe w ∈ W ; entonces 0 · w pertenece a W y por la Proposición
1.19 es el vector nulo.
1.2.1. EJEMPLOS DE SUBESPACIOS VECTORIALES.
EJEMPLO 25. En las sucesiones de números reales (ejemplo 1.7) sea W el

conjunto formado por las sucesiones que a partir de algún término, tienen todos los
términos restantes iguales a cero.
EJEMPLO 26. Sea R[x] el espacio vectorial de los polinomios definido en el

ejemplo 1.10. Consideramos Rn [x] el subconjunto de los polinomios de grado menor
o igual que n. Se cumple Rn [x] es un subespacio de R[x].
EJEMPLO 27. Sean V el espacio vectorial del ejemplo 1.11, y C[a, b] el sub-
conjunto de las funciones f : [a, b] → R que son continuas. Entonces C[a, b] es un
subespacio de V .
Recordar que la suma de funciones continuas es una función continua, y también es
continua el producto de una función por un escalar.
EJEMPLO 28. En el espacio de las n-uplas de complejos (ejemplo 1.8) sea W

el subconjunto de las n-uplas cuyos términos suman cero
( , n )
X
n
W = (a1 , . . . , an ) ∈ C ai = 0 .
i=1
EJEMPLO 29. En el ejemplo 1.13 de las sucesiones de números complejos sobre

el cuerpo C, con las operaciones usuales, sea W el subconjunto de las sucesiones que
tienen igual a cero los términos que están en lugar par: W = {{an } : an ∈ C, a2k = 0}.
Entonces W es un subespacio.
EJERCICIO 3. Verifique en cado uno de los ejemplos anteriores que los mismos
son subespacios vectoriales.
EJEMPLO 30. En el espacio del ejemplo 1.8 {Cn , C, +, ·} sea W el subconjunto

de las n-uplas cuyo primer término es 5 + 2i,
W = {(a1 , . . . , an ) ∈ Cn / a1 = 5 + 2i} .
Este subconjunto W no es un subespacio, porque al sumar dos elementos de W, el

resultado no pertenece a W.
1.2. SUBESPACIOS 9
EJEMPLO 31. Sea {Cn , R, +, ·} el espacio vectorial del ejemplo 1.8. Sea U
el subconjunto formado por las n-úplas de números complejos cuyos términos tienen
parte real igual a cero. Es un subespacio. En este ejemplo es importante que el
cuerpo K sea R y no C. Observar que el mismo subconjunto U , considerado como
subconjunto del espacio vectorial {Cn , C, +, ·} no es un subespacio.
EJERCICIO 4. Fundamente las afirmaciones hechas en el ejemplo anterior.
Veamos que un subespacio vectorial es un espacio metido dentro de otro, no es

ninguna estructura nueva.
TEOREMA 32. Si W es un subespacio de {V, K, +, ·} entonces {W, K, +, ·}

con las operaciones + y · “heredadas”de V , es un espacio vectorial sobre el mismo
cuerpo K.
Demostración. Hay que probar que si {V, K, +, ·} es espacio vectorial y W ⊂

V es subespacio de V entonces {W, K, +, ·} también es un espacio vectorial. Las
operaciones + y · en W se entienden que son las de V restringidas a W.
En primer lugar el conjunto W no es vacı́o, porque W es un subespacio. La
operación + en W , es la operación + de V , pero restringida a W (eso quiere decir
aplicada sólo a parejas de vectores en W ). Está bien definida (da un vector de W ),
por a) de la definición 1.1. cumple las propiedades conmutativa y asociativa porque
estas se cumplen para todos los vectores de V . Luego en particular se cumplen para los
vectores de W . Veamos ahora que existe un vector neutro para la suma en W . Por la
observación 1.24., el neutro de V está en W y satisface 0+w′ = w′ +0 = w′ ∀w′ ∈ W ;
por tanto es el neutro de W y 0 es el vector que estamos buscando.
Ahora veamos la existencia del opuesto (−w)w en W de un vector w ∈ W .
Sabemos que existe −w ∈ V , opuesto de W ∈ V, que cumple: w + (−w) = 0.
Mostraremos que este opuesto de W en V, es también opuesto de W en W ; por la
proposición 1.22: −w = (−1) ·w.
Además (−1) ·w ∈ W porque w ∈ W y W es un subespacio. Entonces −w
cumple: −w ∈ W y w + (−w) = 0W = 0, o sea −w verifica las condiciones requeridas
para ser opuesto de w en W , como querı́amos probar.
En cuanto a las propiedades de la función · en W requeridas en la definición 1.1
se cumplen todas en W puesto que por definición se cumplen en V que incluye a
W . Queda probado entonces que si W es un subespacio de un espacio vectorial V ,
entonces también W es un espacio vectorial.

NOTA 33. Este teorema permite ver en forma fácil si un cierto conjunto W
sobre un cuerpo K, con ciertas operaciones + y · es un espacio vectorial. En efecto,
en lugar de verificar todas las condiciones de la definición 1.1, alcanza ver si W es
un subespacio de algún V , que ya sepamos que posee estructura de espacio vectorial.
Basta probar que W es cerrado con respecto a la suma y cerrado con respecto al
producto de un escalar por un vector.
Además nos permite aplicar y tener disponible en subespacios todo lo que mostramos
para espacio vectoriales.
En todo espacio vectorial existen dos subespacios que son los llamados subespa-
cios triviales; ellos son
• W = {0} (conjunto formado por un único elemento, el vector nulo),
• W =V.
En ambos casos ver que W es subespacio de V .
Cuando tenemos conjuntos, las operaciones de unión e intersección nos permiten

construir nuevos conjuntos. En el caso de la intersección construimos un conjunto
más chico contenido en los conjuntos que intersecamos y en la unión uno mayor que
los contiene.
Intentemos hacer una construcción semejante con subespacios. Para construir uno
menor contenido en todos basta el siguiente resultado:
TEOREMA 34. Sean W1 , W2 , . . . , Wn , subespacios de un mismo espacio V .
n
Entonces W = ∩ Wi es también un subespacio de V .
i=1
Demostración. En primer lugar W 6= ∅; en efecto: el vector 0 pertenece a todos

los subespacios Wi , y por lo tanto pertenece también a su intersección W .
Además W ⊂ V puesto que W ⊂ Wi ⊂ V ∀ i = 1, 2, ..., n.
Falta probar que W es cerrado frente a la suma de vectores y al producto de un
escalar por un vector. Sean w y w′ ∈ W . Entonces w y w′ pertenecen a todos los
subespacios Wi ∀ i = 1, 2, ..., n (porque W es la intersección de ellos). Como los Wi
son subespacios w + w′ ∈ Wi ∀ i = 1, 2, ..., n, entonces w + w′ ∈ W .
Ahora sean α ∈ K y w ∈ W . Se tiene w ∈ Wi ∀ i = 1, 2, ..., n. Como los Wi son
subespacios, α·w ∈ Wi ∀ i = 1, 2, ..., n, entonces α·w pertenece a la intersección de
todos los Wi , o sea a W .
Veamos que para la construcción de un subespacio mayor no podemos proceder

de manera tan directa.
1.3. SUBESPACIO GENERADO E INDEPENDENCIA LINEAL 11
EJERCICIO 5. Dados U y W subespacios de V mostrar que U ∪ W es un

subespacio si y solo si uno de los subespacios está contenido dentro del otro. Para tener
una idea geométrica de cual es el problema para que la unión no sea un subespacio
piense en R2 considerando
U = {(x, y) : x = y}, W = {(x, y) : x = −y}.
Por lo tanto debemos buscar otra manera para construir un subespacio mayor
que contenga a los subespacios dados.
1.3. SUBESPACIO GENERADO E INDEPENDENCIA LINEAL
En esta Sección daremos las definiciones de combinación lineal, dependencia e

independencia lineal de vectores en espacios vectoriales cualesquiera. El lector notará
que son análogas a las que fueron introducidas a la hora de estudiar la compatibilidad
de los sistemas lineales.
DEFINICIÓN 35. Sean V un espacio vectorial {V, K, +, ·}, v1 , v2 , ..., vn vec-

tores de V . Decimos que
v es combinación lineal de v1 , v2 , ..., vn cuando
existen escalares α1 , α2 , . . . , αn ∈ K
tales que : v = α1 v1 + α2 v2 + . . . + αn vn .
Observe que tomamos una cantidad finita de vectores
en la definición de combinación lineal.
Los escalares α1 , . . . , αn son llamados coeficientes de la combinación.
Sea A un subconjunto no vacı́o de V , se indica con [A] al conjunto de todas las

combinaciones lineales de elementos de A, es decir:

[A] = v ∈ V tales que : v = α1 v1 + . . . + αp vp con αi ∈ K, vi ∈ A ∀i .
Veamos que esta construcción nos permite construir un subespacio que contiene al
conjunto A.
TEOREMA 36. Sean V un espacio vectorial y A 6= ∅, A ⊂ V . Entonces [A]

es un subespacio de V .
Demostración. El conjunto [A] es distinto de vacı́o porque dado algún vector

v de A, se tiene 0 = 0·v es combinación lineal de v por lo tanto 0 ∈ [A].
Sean ahora v, w ∈ [A], esto quiere decir que existen vectores
v1 , v2 , ..., vn ; w1 , w2 , ..., wm ∈ A
(no necesariamente distintos) y existen escalares
α1 , α2 , ..., αn ; β1 , β2 , ..., βm ∈ K
tales que
v = α1 v1 + α2 v2 + ... + αn vn ,
w = β1 w1 + β2 w2 + ... + βm wm .
Entonces
v + w = α1 v1 + α2 v2 + ... + αn vn + β1 w1 + β2 w2 + ... + βm wm ,
o sea, v + w es combinación lineal de elementos de A. Con lo que hemos probado que

[A] es cerrado respecto a la suma.
Sean ahora λ ∈ K y v ∈ [A]entonces existen escalares α1 , α2 , ..., αn y vectores
v1 , v2 , ..., vn ∈ A, tales que: v = α1 v1 + α2 v2 + ... + αn vn .
Entonces:
λ·v = λ· (α1 v1 + α2 v2 + ... + αn vn )
= (λ·α1 ) v1 + ... + (λ·αn ) vn
y obtenemos que λv también es combinación lineal de vectores de A. O sea, [A] es
cerrado respecto al producto de un escalar por un vector. Luego, [A] es un subespacio.

DEFINICIÓN 37 (Subespacio generado). El subespacio [A] es llamado sub-

espacio generado por A.
EJERCICIO 6. Considere en el espacio vectorial Rn [x] de los polinomios de

grado menor o igual a n el subconjunto A de los polinomios de grado n. ¿ Cuál es el
subespacio generado por A?
EJERCICIO 7. Muestre que [A] es el menor subespacio que contiene a A. Esto

significa que [A] es la intersección de todos los subespacios que contienen al conjunto
A.
DEFINICIÓN 38 (Conjunto generador). Sea V un espacio vectorial, A un

subconjunto de V . Decimos que A es un generador de V , si el conjunto de com-
binaciones lineales de elementos de A es igual a V o sea, [A] = V (ver definición
1.35).
PROPOSICIÓN 39. Sea V un espacio vectorial y A un subconjunto finito de

V , o sea A = {v1 , v2 , . . . , vn } ⊂ V . Si vk es combinación lineal de los demás vectores

de A, entonces [A] = v1 , v2 , . . . , vk−1 , vk+1 , . . . , vn . Dicho brevemente,
si un vector de A es combinación lineal de los demás lo

podemos sacar y seguimos generando el mismo subespacio.

Demostración. Toda combinación lineal de los vectores de v1 , v2 , ...vk−1 , vk+1 , ..., vn
es también una c.l. de vectores que incluyen vk . Basta agregar el vector vk multipli-

cado por el escalar 0, es decir v1 , v2 , ...vk−1 , vk+1 , ..., vn ⊂ [A].
Ahora hay que probar la otra inclusión : que toda c.l. de vectores de A es también
c.l. de los vectores sin vk . Sabemos que
vk = α1 v1 + α2 v2 + . . . + αk−1 vk−1 + αk+1 vk+1 + . . . + αn vn .(1)
Si elegimos u que sea c.l. de A, tenemos
u = λ1 v1 + λ2 v2 + ...λk−1 vk−1 + λk vk + λk+1 vk+1 + ... + λn vn .
Sustituyendo vk por la expresión (1), resulta:

u= (λ1 + λk α1 ) v1 + . . . + λk−1 + λk αk−1 vk−1

+ λk+1 + λk αk+1 vk+1 + ... + (λn + λk αn ) vn .

O sea, u es c.l. de v1 , v2 , ...vk−1 , vk+1 , ..., vn como querı́amos probar.
EJERCICIO 8. Pensemos en los coeficientes de las combinaciones lineal, los λj ,

j = 1, . . . , n y los coeficientes sin tener en cuenta vk , βi = λi + αi λk , i 6= k .
Muestre que se cumple:

1 0 ... 0 α1 0 ... 0   λ1   β1
0 1 ... 0 α2 0 ... 0 ·
..
. .   ..   . 
 .. ... . . 1 αk−1 0 ... 0   .
   βk−1 
 = 
 0 ... ... 0 αk+1 1 ... 0   ·   βk+1 
. ..  .   . 
.. ... ... . . . .
..
. 0
.. ..
0 ... ... 0 αn 0 1 λn βn
Recurriendo a sus conocimientos de sistemas lineales concluya que todo vector se

escribe en más de una forma como combinación lineal de los vectores v1 , . . . , vn . O
sea, si tomamos los coeficientes de la combinación lineal como la solución de un sistema
lineal este sistema es compatible indeterminado.
Teniendo en cuenta el resultado anterior, queremos resaltar los conjuntos que

generan sin “redundancia”, o sea de los conjuntos que nos permite generar pero sin que
nos “ sobren”vectores. Como fue visto en la parte de sistemas lineales debemos tener
en cuenta ciertos conjuntos especiales de vectores para no tener esta redundancia.
DEFINICIÓN 40. Conjuntos linealmente independientes y linealmente depen-

dientes. Sea V un espacio vectorial, A = {v1 , v2 , . . . , vn } ⊂ V un conjunto ordenado
de vectores. Decimos que el conjunto es linealmente independiente (l.i.) si y sólo
si:
α1 v1 + α2 v2 + . . . + αn vn = 0 implica α1 = α2 = . . . = αn = 0.
La única combinación lineal de vectores linealmente independientes que
da el vector nulo es la que tiene todos los coeficientes iguales a cero.
La idea de trabajar con conjuntos ordenados y no solo con conjuntos está motivada
en que nos permite considerar como conjunto ordenado uno del tipo A = {v, v} que
como conjunto a secas tendrı́a un solo vector, muestre que un conjunto como ese no
es linealmente independiente.
Decimos que el conjunto A es linealmente dependiente (l.d.) cuando no es

l.i..
Si A es l.d. existe algún λi0 6= 0, veamos que se puede despejar vio como c.l. de
P
los otros vectores. Como de i λi · vi = 0, reordeando y multiplicando por el inverso
de λi0 ; llegamos a
X
vi0 = −λj λi0 −1 · vj .
j6=i0
OBSERVACIÓN 41. Es decir,
un conjunto es l.i. cuando ningún vector es combinación lineal de los otros.
Análogamente
un conjunto es l.d. si y sólo si un vector es combinación lineal de los demás.
EJEMPLO 42. Sea V un espacio vectorial, v 6= 0 un vector de V. Entonces

{v } es l.i..
EJEMPLO 43. Sea V un espacio vectorial, {0} es l.d.
EJEMPLO 44. Sean v1 , v2 , ...., vn ∈ V (V espacio vectorial ), entonces
{0, v1 , v2 , ...., vn } es l.d.
NOTA 45. Las definiciones l.i. e l.d. se dieron para conjuntos finitos, pero son
aplicables también a conjuntos con una cantidad infinita de vectores en un espacio
vectorial. Si A es infinito, A⊂V donde V es un espacio vectorial, decimos que A es
l.i. cuando cualquier subconjunto finito de A es l.i. Decimos que A es l.d. cuando no
es l.i. (es decir, cuando algún subconjunto finito de A es l.d.).
Por ejemplo el conjunto {1, x, . . . , xn , . . .} ⊂ R[x] es linealmente independiente.
TEOREMA 46. Un conjunto A = {v1 , . . . , vn } es linealmente independiente

si y solo si todo vector del subespacio generado por A se obtiene de una única manera
como c.l. de los vectores de A.
Esto significa que dado un vector v los coeficientes de la combinación lineal que da el
vector v son únicos.
Demostración. (⇒) Cualquier vector de [A] se puede escribir como c.l. de

vectores de A. Veremos ahora que esa combinación lineal es única.
En efecto, supongamos que un vector v ∈ [A] pueda escribirse como combinación
lineal de A, de dos formas distintas:
v = α1 v1 + . . . + αn vn
v = β1 v1 + . . . + βn vn .
Restando ambas igualdades:
0 = (α1 − β1 ) v1 + . . . + (αn − βn ) vn
tenemos entonces una combinación lineal de A, igualada a 0. Por hipótesis A es l.i..

Por definición de l.i. los coeficientes de la combinación lineal anterior deben ser ceros.
O sea:
α1 = β1 , α2 = β2 , ... , αn = βn .
Por lo tanto las dos formas de escribir v como combinación lineal de A, son la misma.
(⇐)
Como
0 = 0v1 + 0v2 + ... + 0vn si
0 = λ1 v1 + λ2 v2 + ... + λn vn
la unicidad de las combinaciones lineales implica que λi = 0, ∀i = 1, . . . , n lo que
implica que A es l.i..
Tenga presente este resultado. Al tener unicidad de los coeficientes de la combi-

nación lineal que da un vector, para conocer este vector nos alcanza con que nos den
los n coeficientes. Tenemos una correspondencia uno a uno
α1
!
[A] ∋ v = α1 v1 + . . . + αn vn ↔ .
.. ∈ Kn .
αn
1.4. BASES Y DIMENSIÓN DE UN ESPACIO VECTORIAL
DEFINICIÓN 47. Base de un espacio vectorial: Sea V un espacio vectorial y

A = {v1 , v2 , . . . , vn } ⊂ V un subconjunto ordenado o sea, nos importa el orden
en el que aparecen los vectores . Decimos que A es base de V si y sólo si
a: A es un conjunto l.i.
b: A genera a V , es decir [A] = V .
EJERCICIO 9. Mostrar que: dado un espacio vectorial V , A es base de V si

y solo si , todo vector del espacio se escribe de forma única como c.l. de los vectores
de la base, (es decir, los coeficientes de la combinación lineal que da un vector son
únicos).
PROPOSICIÓN 48. Sean V un espacio vectorial,

A = {v1 , . . . , vn } un conjunto que genera a V ,
B = {w1 , . . . , wm } un conjunto l.i. de V , entonces
m ≤ n.
1.4. BASES Y DIMENSIÓN DE UN ESPACIO VECTORIAL 17
Demostración. Como A es un conjunto generador de V existen escalares aij

tales que
wi = a1i v1 + . . . ani vn , ∀i = 1, . . . m.
Por lo tanto resulta cuando tomamos una combinación lineal de los w’s con ceficientes
α’s
α1 w1 + . . . αm wm = α1 (a11 v1 + . . . an1 vn )
+α2 (a12 v1 + . . . an2 vn )
+...
+αm (a1m v1 + . . . anm vn )
= (a11 α1 + . . . + a1m αm ) v1
+...
+ (an1 α1 + . . . + anm αm ) vn .
EJERCICIO 10. finalizar la demostración utilizando que un sistema homogeneo
con más incógnitas que ecuaciones es compatible indeterminado. Aplicarlo al sistema
  
a11 . . . a1m α1
 . .. 
 . 
 
 .
 . .   ..  = 0
an1 . . . anm αm
para deducir que podemos encontrar coeficientes α’s no todos nulos que nos den como
resultado de combinar linealmente los w’s el vector nulo(obtener de allı́ que debemos
tener m ≤ n).
COROLARIO 49. Sea V un espacio vectorial. Si una base tiene n elementos,

entonces todas las demás bases tienen n elementos.
Demostración. Sean A y B bases de V , A con n elementos y B con p elementos.

Como A es l.i. y B es generador, aplicando la proposición 1.48 tenemos n ≤ p. Como
B es l.i. y A es generador, por lo mismo, tenemos p ≤ n. O sea n = p.
DEFINICIÓN 50 (Dimensión de un espacio vectorial). Sea V un espacio vec-

torial. Si existe una base de V que tenga n elementos, se dice que n es la dimensión
de V. Observe, en virtud del corolario anterior, que n no depende de la base elegida.
Notaremos
dim (V ) = n.
Si V = {0} (ejemplo 1.14), se conviene en decir que V tiene dimensión 0 debido
a que no tenemos una base del mismo. Si V 6= {0} y no existe una base de V con
una cantidad finita de elementos, entonces decimos que la dimensión de V es infinita.

Observe que R[x] está en estas condiciones.
EJERCICIO 11. ¿ Que otro espacio podrı́a tener dimensión infinita?
TEOREMA 51. Sean V un espacio vectorial de dimensión n ≥ 1, A y B

subconjuntos de V (finitos).
Se cumplen las siguientes propiedades:
1: Si B genera a V , existe B contenido en B, tal que B es base de V .
2: Si A es l.i., existe A que contiene a A, tal que A es base de V .
Dicho de otra forma,
todo conjunto generador, contiene a alguna base
y todo l.i. se puede agrandar hasta formar una base.
Demostración. 1) Sea B = {v1 , v2 , . . . , vk }. Si B es l.i entonces es base (por

hipótesis B genera V ). Si B es l.d. entonces, o bien está formado por un único
vector, que tiene que ser el vector nulo (porque B es l.d.), o está formado por más de
un vector. En el caso en que B = {0}, como por hipótesis B genera a V , serı́a el caso
en que V = {0}. Este caso está excluı́do, por hipótesis n ≥ 1. De esta forma, resta
sólo estudiar el caso en que B es l.d. y está formado por más de un vector. Por la
Proposición 1.39, hay un vector de B, que es combinación lineal de los demás vectores
de B. Quitando ese vector vr de B, se obtiene un conjunto B1 . Por la proposición
1.39
[B] = [B1 ]
y entonces B1 genera a V .
Si B1 es L.I: ya está probado. Si es l.d. aplicando el mismo razonamiento a B1

en lugar de B, se obtiene un nuevo conjunto B2 ⊂ B1 ⊂ B tal que genera a V . Si se
repite el razonamiento, se obtendrá finalmente un conjunto B contenido en B, que es
l.i. y que se obtuvo de B retirando sucesivamente aquellos vectores que se expresaban
como combinación lineal de los restantes. Por la proposición 1.39, este conjunto B
también genera V . Por definición es base de V , probando 1).

2) Supongamos A = w1 , ..., wp es un conjunto l.i. Si A genera a V entonces es
base y tomamos B = A. Si A no genera V , entonces existe algún vector de V que no
es combinación lineal de A. Llamemos wp+1 a este vector. Mostremos que:

w1 , w2 , . . . , wp , wp+1 es l.i.
1.4. BASES Y DIMENSIÓN DE UN ESPACIO VECTORIAL 19
En efecto:
λ1 w1 + λ2 w2 + . . . + λp wp + λp+1 wp+1 = 0 ⇒ λp+1 = 0,
sino se podrı́a despejar wp+1 en función de los demás, y eso no es posible porque wp+1
no es c.l. de los vectores w1 , w2 , . . . , wp . Entonces: λ1 w1 + λ2 w2 + ... + λp wp = 0.
Luego, todos los coeficientes λi son ceros, porque A es L.I. y entonces el conjunto

A1 = w1 , w2 , ..., wp , wp+1 es l.i.
Repitiendo la construcción anterior a A1 en lugar de A, vamos agregando vectores

hasta obtener un conjunto l.i. y que genere a V .
Siempre se llega, en una cantidad finita de pasos, a un conjunto que genere a V ,
porque por el resultado 1.48 los conjuntos l.i. no pueden tener mas de n elementos,
donde n es la dimensión del espacio.
COROLARIO 52. Sea V un espacio vectorial de dimensión n . Se cumplen

las siguientes afirmaciones:
1: Todo conjunto linealmente independiente A de n vectores, es base.
2: Todo conjunto de n vectores A que genera a V es base.
Demostración.
EJERCICIO 12. Demuestre el corolario.

EJERCICIO 13. Muestre que:

Sea A = {v1 , v2 , ..., vn }⊂ V . Entonces A es base si y sólo si A es l.i. y todo conjunto
con más de n vectores es l.d.
Para el recı́proco, tenga presente que dentro de sus hipótesis no se incluye nada sobre
la dimensión de V .
Miremos ahora que relación existe entre bases de un espacio y de un subespacio.

Si dijimos que un subespacio es un espacio metido dentro de otro cabe esperar que el
subespacio tenga menos dimensión.
PROPOSICIÓN 53. Sean V un espacio vectorial de dimensión finita n y W

un subespacio de V . Entonces W tiene también dimensión finita, que es menor o
igual que n.
Demostración. Si W = {0}, entonces dim W = 0 y ya está probado, pues

0 ≤ n.
Si W 6= {0}, alcanza probar que existe una base de W con una cantidad finita de
elementos p. Demostrado eso, por la proposición 1.48 resulta p ≤ n, pues una base de
W , es un conjunto l.i., con p elementos, y una base de V es un conjunto que genera
a todo el espacio, con n elementos.
Como W 6= {0} entonces existe algún vector w1 ∈ W, w1 6= 0. Si {w1 } genera a
W , es base del mismo, y ya está probado.
Si {w1 } no genera W , existe un vector w2 ∈ W que no es combinación lineal de w1 .
Afirmamos que {w1 , w2 } es l.i. . En efecto, si λ1 w1 + λ2 w2 = 0, debemos tener
λ2 = 0. De lo contrario, podriamos despejar w2 en función de w1 , lo cual no es posible
porque w2 no es combinación lineal de w1 . Entonces λ2 = 0, y por lo tanto λ1 w1 = 0.
Como w1 6= 0 se deduce λ1 = 0 de allı́
{w1 , w2 } es l.i.
Si genera a W , ya tenemos una base. Caso contrario, existe un tercer vector w3 ∈ W

que no es combinación lineal de los dos primeros. Igual que antes podemos probar
que el conjunto {w1 , w2 , w3 } es l.i.. El razonamiento se puede repetir una cantidad
menor que n + 1 pasos hasta construir una base de W . De lo contrario tendrı́amos
un conjunto l.i. con n + 1 vectores, contradiciendo el teorema 1.49 que dice que los
conjuntos l.i. no pueden tener más de n elementos, donde n es la dimensión del
espacio.
EJERCICIO 14. Sea W un subespacio de V , con dim (V ) = n ≥ 1. Muestre

que si dim (W ) = dim (V ), entonces W = V .
¿ Qué sucede con un resultado como este en R[x] ?
EJEMPLO 54. Se llama base canónica de {Kn , K, +, ·} a la base
{(1, 0, 0, ..., 0) , (0, 1, 0, ..., 0) , (0, 0, 1, ..., 0) , ..., (0, 0, 0, ..., 1)} .
Por tanto, Kn tiene dimensión n(como corresponde).
EJEMPLO 55. Consideramos el espacio vectorial real
S = {A ∈ Mn×n (R)/ A = AT }
1.5. COORDENADAS 21
de las matrices simétricas.

Las matrices Bhk donde 1 ≤ h ≤ k ≤ n cuyos elementos ahk ij cumplen
(
1 si i, j ∈ {h, k},
ahk
ij =
0 si i o j ∈
6 {h, k},
n(n+1)
forman una base de S y por lo tanto la dimensión de S es 2 .
EJERCICIO 15. Demuestre cada una de las afirmaciones del ejercicio anterior.
EJERCICIO 16. Sea {Cn , R, +, ·} . Verifique que:
{(1, 0, ..., 0) , (0, 1, ..., 0) , ..., (0, 0, ..., 1)}
no es base. Sugerencia: El vector (i, 0, ..., 0) donde i es la unidad imaginaria no es

c.l. del conjunto anterior.
Muestre que:
{(1, 0, ..., 0) , (i, 0, ..., 0) , (0, 1, ..., 0) , (0, i, ..., 0) , (0, 0, ..., 1) , (0, 0, ..., i)}
es base de {Cn , R, +, ·} . Entonces dim(Cn ) = 2n sobre el cuerpo R.
1.5. Coordenadas en una base
EJEMPLO 56. Dado v = (a, b, c, d) ∈ R4 tenemos
v = a (1, 0, 0, 0) + b (0, 1, 0, 0) + c (0, 0, 1, 0) + d (0, 0, 0, 1) .
Llamamos vector de componentes de v en la base canónica de R4 al vector formado

por los coeficientes de la combinación lineal de los vectores de la base que resulta el
vector v. En este caso si v = (a, b, c, d) el vector de componentes en la base canónica
es (a, b, c, d) . Para cualquier v ∈ Rn , el “vector de componentes de v”en la base
canónica de Rn , coincide con v.
Pero, si en Rn se elige otra base distinta de la canónica, el “vector de compo-

nentes”de un vector v ∈ Rn en tal base es distinto del vector v. Por ejemplo, sea la
base B = {(1, 1, 1) , (1, 1, 0) , (1, 0, 0)} de R3 . Tomemos v ∈ R3 , o sea v = (a, b, c). Se
tiene v = (a, b, c)=c (1, 1, 1) + (b − c) (1, 1, 0) + (a − b) (1, 0, 0). El vector v = (a, b, c)
tiene componentes (c, b − c, a − b) en la base B.
Hay que aclarar en cada caso, cuando se da una n-upla de Rn , si se trata de los
vectores en si, o si se trata de las componentes en alguna base distinta de la canónica.
Sólo puede omitirse esta aclaración cuando la base es la canónica.
En el ejemplo anterior en Rn vimos que si fijamos una base, podemos identificar

un vector cualquiera por los coeficientes de la combinación lineal de los vectores de la
base que da dicho vector. En el caso de Rn en un primer momento puede no parecer
tener demasiado interes el sustituir un vector por su vector de componentes porque
ambos tienen la misma apariencia.
OBSERVACIÓN 57. ¿ Por qué podrı́a interesarnos este proceso?
Por ejemplo una señal de sonido puede ser vista como un vector. Si tenemos una
señal de sonido que fue grabada una décadas atras, antes del CD, generalmente esa
señal contiene “ruido”. Tal grabación contiene “superpuestos”(sumados) el sonido
que nos interesa y el ruido que no nos interesa. Como dicha señal puede ser represen-
tada como un vector tenemos la posibilidad de mirar sus coordenadas en otra base.
El truco es hallar una base donde el sonido deseado y el ruido estén bien “separados”.
Esto significa que sepamos bien que coordenadas correponden al sonido que queremos
y cuales al ruido, el truco luego es ponerle el valor cero a lo que corresponda al ruido
y nos habremos, básicamente, desprendido del ruido.
Veamos que sucede en un espacio vectorial de dimensión finita con esto de mirar
los coeficientes de las combinaciones lineales.
Sea V un espacio vectorial de dimensión n sobre el cuerpo K. Fijamos una base
B = {v1 , . . . , vn } de V , entonces ∀v ∈ V , existen y son únicos α1 , . . . , αn ∈ K tales
que
v = α1 v1 + . . . + αn vn .
Como estamos trabajando en una base, la unicidad de los coeficientes de la combi-
nación lineal que da el vector v nos permite hacer la siguiente definición.
DEFINICIÓN 58. Definimos coordB : V → Kn como

α1
!
coordB (v) = ...
αn
es decir: a cada vector v ∈ V le asociamos los correspondientes coeficientes de la

combinación lineal de los vectores de la base B que da el vector.
Dichos coeficientes son llamados coordenadas del vector v en la base B. Observe que
el orden en que aparecen los coeficientes al tomar las coordenadas está determinado
1.5. COORDENADAS 23
por el orden de los vectores de la base. Esta fue una de las razones que nos llevo a
incluir en la definición de base el requerimiento del orden de los vectores.
EJEMPLO 59. Consideremos en Rn [x] la base “canónica”, C constituida por

los vectores
xn , xn−1 , . . . , x, 1.
Si consideramos el polinomio p(x) = xn + x + 1 entonces sus coordenadas en la base

C corresponden al vector
1
0
.
coordC (xn + x + 1) =  ..  ∈ Rn+1 .
0
1
1
En este ejemplo queda claro que el vector y sus coordenadas son objetos distintos.
El fijar una base para tomar las coordenadas de los vectores nos permite trans-
formar un vector en una lista de números. Veamos que está transformación no solo
nos transforma los vectores sino que en lugar de trabajar en el espacio vectorial con
los vectores podemos trabajar en Kn con las coordenadas en el siguiente sentido.
PROPOSICIÓN 60. La transformación coordB cumple:

1) coordB (v1 + v2 ) = coordB (v1 ) + coordB (v2 ),
2) coordB (α · v) = αcoordB (v),
• De lo anterior podemos deducir que coordB (0) = 0.
Estas propiedades las resumimos diciendo que el pasaje a coordenadas es lineal, ter-
minologı́a que quedará más clara en el siguiente capı́tulo.
Demostración. 1) Sean v, w ∈ V , luego existen y son únicos α1 , . . . , αn ∈ K y

β1 , . . . , βn ∈ K tales que
 
α1
 . 
v = α1 v1 + . . . + αn vn ⇒ coordB (v) =  . 
 . 
αn
 
β1
 . 
w = β1 v1 + . . . + βn vn ⇒ coordB (w) =  . 
 . 
βn
Entonces v + w = (α1 + β1 ) v1 + . . . . + (αn + βn ) vn lo que implica que

 
α1 + β1
 . 
coordB (v + w) =  ..  .

αn + βn
Por lo tanto
   
α1 β1
 ..   . 
 
coordB (v) + coordB (w) = 
 .  +  .. 
 αn  βn
α1 + β1
 .. 
= 
 .
 = coordB (v + w) .

αn + βn
2) Por otro lado si λ ∈ K, se tiene que λv = λ (α1 v1 + . . . + αn vn ) =
 
λα1
 . 
= λα1 v1 + . . . + λαn vn ⇒ coordB (λv) =  . 
 . 
λαn
   
α1 λα1
 .   . 
Ası́ λ coordB (v) = λ  .   .
 . = .
 = coordB (λv) .

αn λαn
 
0
 . 
. 
Para finalizar, como coordB (v) =   .  ⇔ v = 0v1 + . . . + 0vn ⇔ v = 0.
0

NOTA 61. Gráficamente, representemos la correspondencia dada por F = coordB

con una flecha:
u ←→ F (u) , v ←→ F (v)
u + v ←→ F (u) + F (v) , α·v ←→ α F (v)
Esto quiere decir que da lo mismo hacer las operaciones en V y luego pasar a Kn ,
que pasar primero a Kn y hacer allı́ las operaciones. Por tanto, da lo mismo trabajar
en V , que en Kn . Eso muestra la importancia de los espacio vectoriales Kn . Desde
el punto de vista del álgebra lineal si V es de dimensión n, es como Kn . Esto es
importante a la hora de las aplicaciones es más sencillo hacer que una computadora
1.6. SUMA DE SUBESPACIOS Y SUMA DIRECTA 25
entienda números que vectores de algún espacio que nos interese.
Tenga bien presente que las coordenadas dependen de la base elegida

y en que forma es que las mismas representan al vector.
1.6. SUMA DE SUBESPACIOS Y SUMA DIRECTA
Como hemos visto muchas veces tenemos más información o más estructura en
determinados subespacios. Vamos a ver la noción de suma directa que nos permite
descomponer, o cuya utilización principal será descomponer un espacio vectorial en
subespacios donde dispongamos de un mayor conocimiento o de más estructura de
cierto problema.
Consideremos por ejemplo, V el R-espacio vectorial de las funciones de R en si mismo.
Recuerde que una función es llamada:
• par si f (x) = f (−x),
• impar si f (−x) = −f (x).
Definimos U y W los conjuntos de funciones pares e impares respectivamente.
EJERCICIO 17. Muestre que U y W son subespacios de V y que U ∩ W = {0}.
Dada una función cualquiera se cumple:

f (x) + f (−x) −f (−x) + f (x)
f (x) = + .
2 2
Vea que de la parte derecha de la igualdad el primer término es una función par y el
otro es impar.
O sea, expresamos una función cualquiera como suma de otras dos que tienen una
propiedad extra: par o impar.
EJERCICIO 18. Muestre que dada una función cualquiera la suma anterior
es la única forma de representar una función como suma de una función par y una
impar.
Lo que aparece en la observación 1.57 está en esta misma dirección:
señal=sonido+ruido.
Allı́ tenemos la superposición de elementos con propiedades distintas.
Lo que queriamos mostrar era como un vector cualquiera puede obtenerse de una
única manera como suma de otras cosas que tienen más propiedades.
DEFINICIÓN 62. Suma de subespacios: Sea V un espacio vectorial. se llama

suma de los subespacios V1 , V2 , ..., Vn de V, (y se denota como V1 + V2 + ... + Vn ) al
subconjunto de vectores W definido por:
W = {v ∈ V : ∃, v1 ∈ V1 , v2 ∈ V2 , ..., vn ∈ Vn , v = v1 + v2 + ... + vn }
TEOREMA 63. La suma de subespacios de V es un subespacio de V .
Demostración. Es fácil ver que 0 ∈ W . Como 0 ∈ Vi para todo i = 1, . . . n

entonces 0 = 0 + · · · + 0. También es sencillo verificar que si el vector u se puede
descomponer como suma de un vectores de V1 , V2 , · · · , Vn entonces λu también se
descompone de esa forma. De all’ı queda claro que W es cerrado respecto al producto
por escalares.
Para verificar que W es cerrado respecto a la suma sean u y u′ tales que
existen v1 , v1′ ∈ V1 ; v2 , v2′ ∈ V2 ; . . . ; vn , vn′ ∈ Vn con

u = v 1 + v2 + . . . + v n ,
u′ = v1′ + v2′ + . . . + vn′ .
Entonces
u + u′ = (v1 + v1′ ) + (v2 + v2′ ) + . . . + (vn + vn′ ) ,
donde v1 +v1′ ∈ V1 ; v2 +v2′ ∈ V2 ; . . . ; vn +vn′ ∈ Vn , porque los Vi son subespacios.
Recordemos que la unión de subespacios solo resulta un subespacio si uno está

contenido dentro del otro, por lo tanto la unión no nos servı́a para construir un
subespacio mayor que contuviera a dos subespacios dados. La suma de subespacios
sı́ cumple este propósito: es un subespacio que contiene a los subespacios dados.
EJERCICIO 19. Muestre que la suma de los subespacios U y W es el espacio

generado por la unión U ∪ W .
El ejercicio anterior muestra que no solo los contiene sino que, además es el menor
subespacio que contiene a U y W .
DEFINICIÓN 64. Suma directa: Dados los subespacios V1 , V2 , ..., Vn , el sube-

spacio suma de ellos se llama suma directa cuando todo vector de él puede expresarse
de forma única como suma de vectores de los subespacios V1 , V2 , ..., Vn . Cuando la
suma es directa se representa V1 ⊕ V2 ⊕ ... ⊕ Vn .
1.6. SUMA DE SUBESPACIOS Y SUMA DIRECTA 27
EJEMPLO 65. Sean en R3 los subespacios V1 = {(a1 , a2 , a3 ) : a3 = 0} y V2 =

{(a1 , a2 , a3 ) : a1 = 0} . Todo vector de R3 se puede escribir como suma de un vector
de V1 y uno de V2 , pero no de forma única:
(1, 1, 1) = (1, 1, 0) + (0, 0, 1)
(1, 1, 1) = (1, 1/2, 0) + (0, 1/2, 1)

Entonces la suma de V1 y V2 es todo R3 . Pero esta suma no es directa.
TEOREMA 66. Sean V1 y V2 dos subespacios de V tales que V = V1 + V2 .

Entonces, V1 ∩ V2 = {0} si y sólo si V = V1 ⊕ V2 .
Demostración. (⇒) Supongamos v = v1 + v2 y v = v1′ + v2′ con v1 , v1′ ∈ V1 ,

v2 , v2′ ∈ V2 . Luego, v1 − v1′ = v2 − v2′ ∈ V1 ∩ V2 , como por hipótesis la intersección
contiene solo el vector nulo
v1 − v1′ = v2 − v2′ = 0,
lo que prueba que la suma es directa.

(⇐) Sea v ∈ V1 ∩ V2 luego −v ∈ V1 ∩ V2 . Por lo tanto 0 = v + (−v) = 0 + 0 y
por la unicidad contenida en la definición de suma directa, 0 = v = −v. Entonces
V1 ∩ V2 = {0}.
EJERCICIO 20. Pensar que sucede con el teorema anterior si tenemos más de
dos subespacios. Demuestre o de un contraejemplo a tal situación.
TEOREMA 67. Sean V = V1 ⊕ V2 ⊕ . . . ⊕ Vn y B1 , B2 , . . . , Bn bases de

V1 , V2 , . . . , Vn , respectivamente. Se cumple que
B = B1 ∪ B2 ∪ . . . ∪ Bn
es una base de V .
Demostración. Probaremos que B genera a V , y que B es l.i.

Todo vector de v ∈ V es suma de vectores de V1 , V2 , ..., Vn , como estos son com-
binaciones lineales de los vectores de sus respectivas bases se cumple que v es c.l. de
los vectores de la unión de esas bases, que es B.
Eso nos permite concluir que todo vector de V es combinación lineal de B, o sea B
genera a V .
Veremos que B es l.i., sean

n o
B1 = v11 , v12 , . . . , v1p1
B2 = {v21 , v22 , . . . , v1p2 }
..
n . o
Bn = vn1 , vn2 , ..., vnpn .
Tomemos una combinación lineal de los vectores de B igualada a 0:
a11 v11 + a12 v12 +... +a1p1 v1p1
+a21 v21 + a22 v22 +... +a2p2 v2p2
+...
+an1 vn1 + an2 vn2 +... +anpn vnpn = 0;
como 0 ∈ V y V = V1 ⊕ V2 ⊕ ... ⊕ Vn , existe una única manera de expresar el vector
nulo como suma de vectores de V1 , V2 , ..., Vn . Esa única manera tiene que ser entonces
0 = 0 + 0 + 0 + ... + 0.
La combinación lineal de más arriba implica entonces que:
a11 v11 + a12 v12 + . . . + a1p1 v1p1 = 0
a21 v21 + a22 v22 + . . . + a2p2 v2p2 = 0
···
an1 vn1 + an2 vn2 + . . . + anpn vnpn = 0.
Como B1 es una base de V1 se tiene que B1 es l.i., y de la primera igualdad se deduce
a11 = a12 = ... = a1n = 0. Análogamente para los demás coeficientes aij = 0.
Entonces tenemos probado que B es l.i.
COROLARIO 68. Si V es suma directa de V1 , V2 , ..., Vn entonces

dim V = dim V1 + dim V2 + . . . + dim Vn .
Demostración. Es inmediata a partir de la definición de dimensión y del teo-

rema anterior.
CAPı́TULO 2
TRANSFORMACIONES LINEALES.
Las transformaciones lineales son ciertas funciones entre espacios vectoriales. El-
las preservan (mantienen) las estructuras lineales que caracterizan a esos espacios: los
transformados de combinaciones lineales de vectores son las correspondientes combi-
naciones de los transformados de cada uno de los vectores. Llevan una combinación
lineal de vectores en la combinación de los transformados.
Las funciones que mantienen las estructuras caracterı́sticas de los espacios entre
los que actúan son de especial importancia porque permiten “moverse” entre ellos
comparando las estructuras que los definen; en particular, permiten analizar cuán
diferentes o semejantes son desde el punto de vista de esas propiedades (lineales, en
el presente caso). En este sentido las transformaciones lineales son tan importantes
en el estudio de los espacios vectoriales, como las isometrı́as o movimientos lo son en
la geometrı́a métrica.
2.1. Transformaciones lineales
DEFINICIÓN 1. Sean V y W dos espacios vectoriales sobre el mismo cuerpo

K y T : V → W una función. Decimos que T es una transformación lineal si
satisface
i: Para todo u, v ∈ V se cumple
T ( u + v ) = T (u) + T (v).
↑ ↑
en V en W
ii: Para todo α ∈ K y v ∈ V se cumple
T( α·v )= α · T (v).
↑ ↑
en V en W
29
30 2. TRANSFORMACIONES LINEALES.
2.1.1. Ejemplos.
EJEMPLO 2. Sea V un espacio vectorial y fijamos un escalar λ ∈ K. La función
T : V → V tal que T (v) = λ · v es una transformación lineal.
Efectivamente:
i: T (v1 + v2 ) = λ · (v1 + v2 ) = λ · v1 + λ · v2 = T (v1 ) + T (v2 ) ,
ii: T (α · v) = λ · (α · v) = α · (λ · v) = α · T (v) ,
EJEMPLO 3. Sea {V, K, +, ·} un espacio vectorial de dimensión n y B una base
del mismo. El pasaje a coordenadas coordB : V → Kn es una transformación lineal.
Ver la proposición 1.60
EJEMPLO 4. Consideramos los espacios vectoriales D = {f : R → R/ f es derivable } ⊂
F = {f : R → R}.
La transformación T : D → F definida por T (f ) = f ′ es una transformación
lineal,
′
i: T (f1 + f2 ) = (f1 + f2 ) = f1′ + f2′ = T (f1 ) + T (f2 ) ,
′
ii: T (α f ) = (α f ) = α f ′ = α T (f ) .
EJEMPLO 5. Dado el espacio vectorial C 0 = {f : R → R/ f es continua}
Rx
consideramos T : C 0 → F definida por T (f )(x) = 0 f (s)ds.
EJERCICIO 21. Recurra a sus conocimientos de cálculo para mostrar que T
es una transformación lineal.
EJEMPLO 6. Sea V un espacio vectorial y v0 6= 0 un vector fijo de V. La
función T : V → V tal que: T (v) = v + v0 no es una transformación lineal, pues
T (v1 + v2 ) = v 1 + v2 + v0
6= v1 + v0 + v2 + v0 = T (v1 ) + T (v2 ) .
Las propiedades i) y ii) de la definición anterior se pueden resumir de la siguiente
forma:
PROPOSICIÓN 7. T : V → W es una transformación lineal si y sólo si
T (a1 v1 + a2 v2 ) = a1 T (v1 ) + a2 T ( v2 ) ∀ a1 , a2 ∈ K ∀ v1 , v2 ∈ V.
Demostración. Sean a1 y a2 escalares y v1 y v2 vectores.
(⇒) T (a1 v1 + a2 v2 ) = T (a1 v1 ) + T (a2 v2 ) = a1 T (v1 ) + a2 T ( v2 ) .
(⇐) Elegimos a1 = a2 = 1 se obtiene T ( v1 + v2 ) = T (v1 ) + T ( v2 ), y tomando
a2 = 0 se obtiene T (a1 v1 ) = a1 T (v1 ) .
2.1. TRANSFORMACIONES LINEALES 31
Esto fue lo que afirmamos en la introducción cuando dijimos que una transfor-
mación lineal lleva una combinación lineal en la combinación de los transformados.
LEMA 8. Sea T : V → W una transformación lineal. Entonces,

T (0) = 0.
Demostración. T (0) = T (0. v) = 0 . T (v) = 0.
Dos funciones con los mismos dominios y codominios son iguales cuando los trans-
formados de todos los elementos del dominio coinciden para ambas funciones. El
siguiente resultado nos permitirá concluir que para que dos transformaciones lineales
sean iguales basta con que coincidan en una base. Tenga presente que un espacio
vectorial puede tener infinitos elementos pero pueden ser construidos a partir de una
base con una cantidad finita de vectores.
PROPOSICIÓN 9. Sean V y W espacios vectoriales sobre un mismo cuerpo

con dim (V ) = n, T : V → W y S : V → W transformaciones lineales. Consideremos
una base B = {v1 , . . . , vn } de V. Entonces:
T (v) = S (v) ∀ v ∈ V si y solo si T (vi ) = S (vi ) ∀i = 1, 2, . . . , n.
Demostración. (⇒) Si T y S coinciden en todo el espacio V, en particular

coinciden en los vectores de la base B.
(⇐) Dado v ∈ V , como B es base de V, existen α1 , . . . , αn ∈ K tales que v =
α1 v1 + . . . + αn vn . Luego, como T y S son lineales se cumple
T (v) = T (α1 v1 + · · · + αn vn )
= α1 T (v1 ) + · · · + αn T (vn )
= α1 S (v1 ) + · · · + αn S (vn )
= S (α1 v1 + · · · + αn vn ) = S (v) .

Por lo tanto para que dos tranformaciones lineales coincidan
basta que coincidan los transformados de los vectores de una base.
El resultado anterior nos da una forma fácil de construir transformaciones lineales,
solo tenemos que preocuparnos con los transformados de los vectores de una base del
espacio de salida.
TEOREMA 10. Sean V y W espacios vectoriales sobre un mismo cuerpo con

dim(V ) = n donde {v1 , . . . , vn } es una base de V y w1 , . . . , wn ∈ W cualesquiera.
Entonces,
existe una única transformación lineal

T : V →W
tal que T (vi ) = wi ∀ i = 1, . . . , n .
Demostración. Existencia: Dado v ∈ V existen y son únicos a1 , . . . , an tales

n
P
que v = ai · vi . Definimos entonces T : V → W mediante
i=1
n
X
T (v) = ai · wi .
i=1
Hay que verificar que T es lineal. Sean v y v̄ vectores y λ, µ escalares. Tenemos

n
P n
P
v= ai vi y v̄ = a¯i vi . Entonces
i =1 i =1
n

P
T (λ v + µ v̄) = T (λ ai + µ a¯i ) vi
i =1
n
P
= (λ ai + µ a¯i ) wi
i =1
n
P n
P
=λ ai vi + µ a¯i vi = λ T (v) + µ T (v̄) .
i =1 i =1
Luego T es lineal por la proposición 2.7.
Unicidad: Supongamos que existan T : V → W y S : V → W lineales tales

que T (vi ) = wi y S (vi ) = wi . Entonces T y S coinciden en una base de V ; por
la proposición 2.10, resulta que T=S.
OBSERVACIÓN 11. Hemos probado que una transformación lineal queda

determinada por sus valores sobre una base. Es suficiente conocer los trans-
formados de una base para que la transformación lineal quede definida en todo el
espacio.
Este resultado sirve de base para el proceso llamado “extender o definir por lineali-
dad” una transformación: se definen los transformados de los vectores de la base y
dado un vector v, sus coordenadas nos dan los coeficientes de la combinación lineal
de los transformados de la base que define T (v).
2.1.2. Ejemplos.
EJEMPLO 12. Sea T : R2 → R3 lineal tal que

T (1, 2) = (3, −1, 5) ,
T (0, 1) = (2, 1, −1) .
2.2. MATRIZ ASOCIADA 33
Como {(1, 2) , (0, 1)} es una base de R2 , T está bien determinada.

Hallemos T (x, y) con (x, y) ∈ R2 . Como
(x, y) = x (1, 2) + (−2x + y) (0, 1)
se cumple:
T (x, y) = T (x (1, 2) + (−2x + y) (0, 1))
= xT (1, 2) + (−2x + y) T (0, 1)
= x (3, −1, 5) + (−2x + y) (2, 1, −1) = (−x + 2y, −3x + y, 7x − y) .
EJEMPLO 13. Sea T : R2 → R2 lineal tal que T (1, 0) = T (0, 1) = (2, 3).
Como {(1, 0) , (0, 1)} es la base canónica de R2 , T está determinada.
Luego
T (x, y) = T (x (1, 0) + y (0, 1))
= xT (1, 0) + yT (0, 1)
= x (2, 3) + y (2, 3) = (x + y) (2, 3) .
2.2. Matriz asociada
Veamos que la toda la información sobre una transformación lineal puede ser
codificada en una matriz. Vamos a ver que fijando bases en los espacios de salida y
de llegada de la transformación podemos; via el pasaje a coordenadas en las bases
elegidas, resumir la transformación lineal a una matriz.
Dados V un espacio vectorial y una base del mismo B consideramos una trans-
formación
φB : Kn → V.
Si B = {v1 , . . . , vn } definimos

α1
 . 
φB  . 
 .  = α1 v1 + . . . αn vn .
αn
EJERCICIO 22. Mostrar que las composiciones coordB ◦ φB y φB ◦ coordB

resultan ser las transformaciones identidad en sus correspondientes espacios.
El ejercicio anterior nos permite concluir que el inverso de φB , φ−1 n

B : V → K es:
φ−1
B (v) = coordB (v).
Sean V y W espacios vectoriales de dimensión finita sobre un mismo cuerpo ,

B y D bases, respectivamente de V y W con n y m vectores cada una. Dada una
transformación lineal T : V → W podemos considerar las siguientes composiciones:
T
V → W
φB ↑ ↓ φ−1
D
Kn → Km
Vemos que resulta la transformación lineal
φ−1 n m
D ◦ T ◦ φB : K → K .
El siguiente teorema que caracteriza las transformaciones lineales entre espacios

n
K nos permitirá introducir la noción de matriz asociada que es la matriz que contiene
la información sobre la transformación lineal . En resumen vamos a mirar que pasa
con la transformación
coordB (v) 7→ coordD (T v)
.
Kn → Km
TEOREMA 14. Una función T : Kn → Km es una transformación lineal si y

sólo si existe una matriz A ∈ Mm×n tal que
   
x1 x1
 .   . 
T .   .
 .  = A .
.

xn xn
La matriz A que cumple esa función es única.
Demostración:
Es claro que una función T (X) = AX es lineal. La otra parte del resultado es lo que
nos interesa.
Dada T : Kn → Km una transformación lineal queremos ver que existe una única
matriz m × n A tal que T X = AX. O sea, debemos mostrar la existencia y su
unicidad. Veamos la unicidad primero que ya nos dará la pista de como construir la
matriz A.
Consideramos los vectores de la base canónica de Kn
   
1 0
   
 0   0 
 ..  , . . . , en =  ..  .
e1 =    
 .   . 
0 1
Sean A y B ∈ Mm×n tales que T X = AX = BX. Sabemos que Ae1 y Be1 son
las primeras columnas de las respectivas matrices. Como ambas coinciden con T e1
vemos que A y B tienen la misma primer columna. Del mismo razonamiento para los
demás vectores de la base canónica de Kn se desprende que todas las columnas de A
y B coinciden, por lo que A = B.
Para ver la existencia utilizamos lo que vimos en la parte anterior para las columnas.
Dada T : Kn → Km podemos considerar la matriz A que tiene como columna i el
vector T ei ,
A = (T e1 | . . . |T en ) ∈ Mm×n .
Consideremos la tranformación lineal T ′ dada por la matriz A. Por la construcción de

la matriz tenemos que T ei = T ′ ei como coinciden en una base tenemos que T = T ′ .

Si miramos
T
V → W
φB ↑ ↓ φ−1
D
Kn → Km
por lo anterior coordD ◦ T ◦ φB (x) = Ax.

Esa matriz A es llamada la matriz asociada a T en las bases B y D y es denotada
D (T )B .
Si vamos a las definiciones de los isomorfismos φD y φB vemos que lo que tenemos es:
coordD (T v) = D (T )B coordB (v).
Efectivamente, consideremos V , W espacios vectoriales de dimensión finita sobre

un mismo cuerpo K, T : V → W una transformación lineal, B = {v1 , v2 , . . . , vn } una
base de V y D = {w1 , w2 , . . . , wm } una base de W .
Miremos el proceso que llevamos a cabo en la demostración del resultado anterior.
La primer columna de la matriz D (T )B corresponde al vector coordD ◦ T ◦ φB (e1 ).
Tenemos que φB (e1 ) = v1 y por lo tanto la primer columna son las coordenadas en la
base D de T v1 .
Los vectores T (v1 ) , T (v2 ) , . . . , T (vn ) son vectores de W y por lo tanto cada uno
de ellos es combinación lineal de los vectores de la base D:
T (v1 ) = a11 w1 + a21 w2 + . . . + am1 wm

T (v2 ) = a12 w1 + a22 w2 + . . . + am2 wm
.. ..
. .
T (vn ) = a1n w1 + a2n w2 + . . . + amn wm .
En otras palabras
 a11
  a12

a21 a22
coordB (T (v1 )) =  ..  , coordB (T (v2 )) =  ..  ,
. .
am1 am2
 a1n

a2n
. . . , coordB (T (vn )) =  ..  .
.
amn
DEFINICIÓN 15. Se llama representación matricial de T en las bases A y

B o matriz asociada a T en las bases B y D, a la matriz que representaremos por
D (T )B y cuya j-ésima columna son las coordenadas del vector T (vj ) en la base D.
Esto es
columna columna columna

1 2 n
↓ ↓ ↓
D (T )B = coordD (T (v1 )) coordD (T (v2 )) ...... coordD (T (vn ))
 
a11 a12 ··· a1n
 
 a21 a22 ··· a2n 
=
 .. .. .. .. .

 . . . . 
am1 am2 ··· amn
NOTA 16. La matriz asociada se obtiene “colgando” las coordenadas en la base

elegida de W de los transformados de los vectores de la base de V .
Agregemos todavı́a lo siguiente: como v = x1 v1 + x2 v2 + . . . + xn vn aplicando T

y usando la linealidad
T (v) = x1 T (v1 ) + x2 T (v2 ) + . . . + xn T (vn )
Sustituimos, y obtenemos
T (v) = x1 (a11 w1 + a21 w2 + . . . . + am1 wm )

+x2 (a12 w1 + a22 w2 + . . . . + am2 wm )
..
.
+xn (a1n w1 + a2n w2 + . . . . + amn wm )
= (x1 a11 + x2 a12 + . . . . + xn a1n ) w1
+ (x1 a21 + x2 a22 + . . . . + xn a2n ) w2
..
.
+ (x1 am1 + x2 am2 + . . . . + xn amn ) wm .
Luego
 
x1 a11 + x2 a12 + . . . + xn a1n
 
 x1 a21 + x2 a22 + . . . + xn a2n 
coordD (T (v)) = .. 

 . 
x a + x2 am2 + . . . + xn amn
 1 m1  
a11 a12 . . . a1n x1
  
 a21 a22 . . . a2n   x2 
= .. .. ..  .
 .


 . . .  . 
am1 am2 . . . amn xn
= D (T )B coordB (v) .
EJEMPLO 17. Consideremos la transformación lineal T : R2 → R3 tal que

T (x, y) = (4x − 2y, 2x + y, x + y) ∀x ∈ R2 , y las bases canónicas A = {(1, 0) , (0, 1)}
de R2 y B = {(1, 0, 0) , (0, 1, 0) , (0, 0, 1)} de R3 .
Para hallar la matriz asociada a T en dichas bases

1) Hallamos las imágenes de los vectores de la base A
T (1, 0) = (4, 2, 1) ,
T (0, 1) = (−2, 1, 1) .
2) Calculamos las coordenadas de estos en la base B
T (1, 0) = (4, 2, 1) = 4 (1, 0, 0) + 2 (0, 1, 0) + 1 (0, 0, 1) ,

 
4
 
⇒ coordB (T (1, 0)) =  2  .
1
T (0, 1) = (−2, 1, 1) = −2 (1, 0, 0) + 1 (0, 1, 0) + 1 (0, 0, 1) ,
 
−2
 
⇒ coordB (T (0, 1)) =  1  .
1
Luego
 
4 −2
 
B (T )A =  2 1 .
1 1
EJEMPLO 18. Consideremos la transformación lineal T : P2 → R2 tal que al

polinomio p (t) = at2 + bt + c le hace corresponder T (p) = (2a + b, a + b + 4c). Sean
p2 (t) = t2 , p1 (t) = t, p0 (t) = 1; las bases A = {p2 , p1 , p0 } de P2 y B = {(1, 1) , (1, 0)}
de R2 .
Para hallar la matriz asociada a T en dichas bases:

1) Hallamos las imágenes de los vectores de la base A
T (p2 ) = (2, 1) , T (p1 ) = (1, 1) , T (p0 ) = (0, 4) .
2) Calculamos las coordenadas de estos en la base B

!
1
T (p2 ) = (2, 1) = 1 (1, 1) + 1 (1, 0) ⇒ coordB (T (p2 )) = ,
1
!
1
T (p1 ) = (1, 1) = 1 (1, 1) + 0 (1, 0) ⇒ coordB (T (p1 )) = ,
0
!
4
T (p0 ) = (0, 4) = 4 (1, 1) − 4 (1, 0) ⇒ coordB (T (p0 )) = .
−4
!
1 1 4
Luego B (T )A = .
1 0 −4
EJEMPLO 19. Consideremos la transformación lineal T : P2 → P2 tal que

T (p) = p′ y la base canónica de P2 , C = {p0 , p1 , p2 } donde pi (t) = ti , i = 0, 1, 2.
1) Hallemos las imágenes de los vectores de la base C:
T (p0 ) = 0, T (p1 ) = p0 , T (p2 ) = 2p1 .
2)Calculemos las coordenadas de estos en la base C

 
0
 
T (p0 ) = 0 = 0p0 + 0p1 + 0p2 ⇒ coordC (T (p0 )) =  0  ,
0
 
1
 
T (p1 ) = p0 = 1p0 + 0p1 + 0p2 ⇒ coordC (T (p1 )) =  0  ,
0
 
0
 
T (p2 ) = 2p1 = 0p0 + 2p1 + 0p2 ⇒ coordC (T (p2 )) =  2  .
0
 
0 1 0
 
Luego C (T )C =  0 0 2 .
0 0 0
OBSERVACIÓN 20. • Si dim(V ) = n y dim(W ) = m la matriz asociada tiene

dimensión m × n.
• La matriz asociada a una transformación B (T )A queda completamente determi-

nada conocidas la transformación lineal T y las bases A y B del dominio y codominio
respectivamente.
• Recı́procamente, dada una matriz M de tamaño m × n y dos bases A y B de

los espacios V y W respectivamente, queda completamente determinada una trans-
formación lineal T tal que B (T )A =M. Al conocer la matriz M , sus columnas son las
coordenadas en la base B de las imágenes de dos vectores de la base A. Esto nos
permite conocer las imágenes de los vectores de la base A, y por el Teorema 2.10, esto
es suficiente para determinar T .
3 2
EJEMPLO 21. Hallar ! la transformación lineal T : R → R sabiendo que
2 3 −1
B (T )A = donde A = {(1, 0, 1) , (2, 0, 0) , (0, 1, 0)} es base de R3 y
1 0 2
B = {(2, −1) , (0, 2)} es base de R2
De acuerdo a la definición de matriz asociada

! !
2 3
coordB (T (1, 0, 1)) = , coordB (T (2, 0, 0)) = ,
1 0
!
−1
coordB (T (0, 1, 0)) = .
2
Luego
T (1, 0, 1) = 2 (2, −1) + 1 (0, 2) = (4, 0) ,
T (2, 0, 0) = 3 (2, −1) + 0 (0, 2) = (6, −3) ,
T (0, 1, 0) = −1 (2, −1) + 2 (0, 2) = (−2, 5) .
Como A = {(1, 0, 1) , (2, 0, 0) , (0, 1, 0)} es una base de R3 se cumple que ∀ (x, y, z) ∈
R3 está dado por la combinación lineal

x−z
(x, y, z) = z (1, 0, 1) + (2, 0, 0) + y (0, 1, 0) .
2
Luego la linealidad de T implica

T (x, y, z) = z T (1, 0, 1) + x−z
2 T (2, 0, 0) + y T (0, 1, 0)
x−z
= z (4, 0) + 2 · (6, −3) + y (−2, 5)

= 3x − 2z − 2y, − 23 x + 5y + 23 z ;
ası́ T : R3 → R2 es tal que

3 3
T (x, y, z) = 3x − 2z − 2y, − x + 5y + z .
2 2
 
1 −1 0
3 3  
EJEMPLO 22. Sea T : R → R tal que B (T )A =  2 0 0  con A =
3 4 1
B = {(1, 0, 0) , (1, 1, 0) , (1, 1, 1)} . Hallar T (2, 0, −1).
Como (2, 0, −1) = 2 (1, 0, 0)+ (−1)

(1, 1, 0) + 1 (1, 1, 1)
2
resulta que coordA (2, 0, −1) = −1
1
Luego de acuerdo a la función de la matriz asociada se cumple que
coordB (T (2, 0, −1)) = B (T )A coordA (2, 0, −1)

    
1 −1 0 2 3
    
= 2 0 0   −1  =  4  .
3 4 1 1 3
2.3. OPERACIONES CON TRANSFORMACIONES LINEALES. 41
Ası́
T (2, 0, −1) = 3 (1, 0, 0) + 4 (1, 1, 0) + 3 (1, 1, 1)
= (10, 7, 3) .
2.3. OPERACIONES CON TRANSFORMACIONES LINEALES.
DEFINICIÓN 23 (Suma de Transformaciones Lineales). Sean V, W espacios

vectoriales sobre un mismo cuerpo K y S : V → W y T : V → W dos transformaciones
lineales. Se define la suma de S y T como la transformación S + T : V → W tal
que
(S + T ) (v) = S (v) + T (v) ∀v ∈ V.
EJEMPLO 24. Sean S : R3 → R2 tal que S (x, y, z) = (x + y + z, x − z) y

T : R3 → R2 definida por T (x, y, z) = (x − y, y + z). Entonces la suma de S y T es
la transformación S + T : R3 → R2 dada por
(S + T ) (x, y, z) = S (x, y, z) + T (x, y, z)

= (x + y + z, x − z) + (x − y, y + z)
= (2x + z, x + y) .
PROPOSICIÓN 25. Si S y T son transformaciones lineales, entonces S + T

es una transformación lineal.
Demostración. Sean v1 y v2 vectores, λ y µ escalares. Probemos
(S + T ) (λ v1 + µ v2 ) = λ (S + T ) (v1 ) + µ (S + T ) (v2 ) .
En efecto
(S + T ) (λ v1 + µ v2 ) = S (λ v1 + µ v2 ) + T (λ v1 + µ v2 )
= λ S (v1 ) + µ S (v2 ) + λ T (v1 ) + µ T (v2 )
= λ [S (v1 ) + T (v1 )] + µ [S (v2 ) + T (v2 )]
= λ [(S + T ) (v1 )] + µ [(S + T ) (v2 )] .

DEFINICIÓN 26. Producto por un escalar Se define el producto del escalar

λ ∈ K por la transformación T , como la transformación (λ.T ) : V → W tal que
(λ.T ) (v) = λ .T (v) ∀v ∈ V.

EJEMPLO 27. Sea T : R2 → R3 tal que T (x, y) = (x − 2y, x + y, x)

Entonces el producto del escalar λ = 5 por la transformación T es la transforma-
ción 5.T : R2 → R3 tal que
(5.T ) (x, y) = 5.T (x, y) = 5. (x − 2y, x + y, x)
= (5 − 10y, 5x + 5y, 5x) .
PROPOSICIÓN 28. Si T es una transformación lineal y λ un escalar entonces

λT es una transformación lineal.
Demostración. Probemos que

(λT ) (α1 v1 + α2 v2 ) = α1 (λT ) (v1 ) + α2 (λT ) (v2 ) ∀v1 , v2 ∈ V ∀α1 , α2 ∈ K
En efecto
(λT ) (α1 v1 + α2 v2 ) = λT (α1 v1 + α2 v2 )
= λ [α1 T (v1 ) + α2 T (v2 )]
= λα1 T (v1 ) + λα2 T (v2 )
= α1 λT (v1 ) + α2 λT (v2 )
= α1 (λT ) (v1 ) + α2 (λT ) (v2 ) .

EJERCICIO 23. Sean V y W espacios vectoriales sobre un mismo cuerpo,

notaremos con L(V, W ) al conjunto de todas las transformaciones lineales de V hacia
W . Mostrar que las operaciones de suma y multiplicación escalar consideradas hacen
de L(V, W ) un K espacio vectorial.
PROPOSICIÓN 29. Dadas dos transformaciones lineales de espacios vecto-

riales sobre un cuerpo K, T : V → W y S : V → W y α ∈ K un escalar, sean
B = {v1 , . . . , vn } base de V y E = {w1 , . . . , wm } base de W . Entonces:
E (T + S)B = E (T )B + E (S)B ,
E (λT )B = λE (T )B .
Demostración. Sean A = (aij ) = E (T )B y B = (bij ) = E (S)B . Entonces:

m
X m
X
T (vj ) = aij wi y S (vj ) = bij wi .
i=1 i=1
De donde
m
X m
X m
X
(T + S) (vj ) = T (vj ) + S (vj ) = aij wi + bij wi = (aij + bij )wi
i=1 i=1 i=1
2.3. OPERACIONES CON TRANSFORMACIONES LINEALES. 43
y por lo tanto
(T + S)B = (aij + bij ) = A + B.
E
m
P Pm
Además (λT ) vj = λT (vj ) = λ aij wi = λ aij wi entonces
i=1 i=1
E (λ T )B = (λ aij ) = λ A.
DEFINICIÓN 30. Composición de Transformaciones Lineales. Sean U, V y

W espacios vectoriales sobre un mismo cuerpo K, S : U → V y T : V → W dos
transformaciones lineales. Se define la composición S y T como la transformación
T ◦ S : U → W tal que (T ◦ S) (u) = T (S (u)) .
EJEMPLO 31. Sean S : R3 → R2 tal que S (x, y, z) = (2x, y + z) y T : R2 → R2

tal que T (x, y) = (y, x).
Luego T ◦ S : R3 → R2 es tal que (T ◦ S) (x, y, z) = (y + z, 2x).
PROPOSICIÓN 32. Si S y T son lineales, entonces T ◦ S es lineal
Demostración. Probemos que ∀α1 , α2 ∈ K ∀u1 , u2 ∈ V.
(T ◦ S) (α1 u1 + α2 u2 ) = α1 (T ◦ S) (u1 ) + α2 (T ◦ S) (u2 )
En efecto
(T ◦ S) (α1 u1 + α2 u2 ) = T (S (α1 u1 + α2 u2 ))
= α1 T ( S (u1 )) + α2 T ( S (u2 ))
= α1 (T ◦ S) (u1 ) + α2 (T ◦ S) (u2 ) .

PROPOSICIÓN 33. Sean U , V y W K-espacios vectoriales con dim(U ) = s,

dim(V ) = n y dim(W ) = t, y las transformaciones lineales S : U → V , T : V → W .
Dadas A = {u1 , . . . , us } , B = {v1 , . . . , vn } y C = {w1 , . . . , wt } bases de U, V y
W respectivamente, se cumple que la matriz asociada a la composición T ◦ S es el
producto de las matrices asociadas. Es decir
C (T ◦ S)A = C (T )B B (S)A .
Demostración. Sea C (T )B = (aij ), B (S)A = (bjk ) y C (T )B B (S)A = (ci j )

con 1 6 i 6 t, 1 6 j 6 n, 1 6 k 6 s. Por definición de producto de matrices
n
P
cik = aij bjk . Calculemos C (T ◦ S)A .
j=1
Sea uk ∈ A,
!
n
P
(T ◦ S) (uk ) = T (S (uk )) = T bjk vj
j=1
n
P n
P Pt
= bjk T (vj ) = bjk aij wi
j=1 !j=1 i=1
Pt Pn Pt
= aij bjk wi = cik wi .
i=1 j=1 i=1
Resulta, por definición de matriz asociada C (T ◦ S)A = (cij ).
OBSERVACIÓN 34. Sea T : V → W una transformación lineal con inversa

lineal(en breve 2.52 veremos que está hipótesis no es necesaria), B y D bases de V y
W respectivamente, y sea T −1 : W → V la inversa de T .
Como T ◦ T −1 = idW entonces
−1

D (T )B . B T D
= D (idW )D = Id
y de T −1 ◦ T = idV

B T −1 D
. D (T )B = B (idV )B = Id
y por lo tanto la matriz asociada a la transformación inversa T −1 es la inversa de la

matriz asociada a la transformación T . Es decir:
−1

D (T )B = A ⇒B T D
= A−1 .
2.4. CAMBIO DE BASE.
Sea V un espacio vectorial de dimensión finita sobre un cuerpo K, dim (V ) = n.

Consideremos una base A del espacio V . Hemos visto que todo vector v ∈ V , se
puede representar por la n-úpla (vector columna) coordA (v) ∈ Kn .
En esta sección responderemos la siguiente pregunta natural
¿cómo cambia la representación si seleccionamos otra base?
Es decir si consideramos otra base A′ del espacio V ,
¿cómo se relaciona coordA′ (v) con coordA (v)?
2.4. CAMBIO DE BASE. 45
Vamos a ver con un ejemplo porque esto puede ayudarnos a simplificar un problema.
Queremos acercarnos al siguiente problema: dados los puntos de R2 ,
(x1 , y1 ), (x2 , y2 ), . . . , (xn , yn )
queremos encontrar una función “decente”f tal que f (xi ) = yi .
El problema expresado en esa generalidad presenta muchas libertades y muchas

ambiguedades. Acotemos las mismas de alguna manera.
EJEMPLO 35. Dados los puntos
(0, 1), (1, 2), (2, 2), (3, 1)
queremos encontrar un polinomio de grado 3 que cumpla lo planteado en el problema

anterior.
Eso nos conduce a las ecuaciones



 a3 (3)3 + a2 (3)2 + a1 3 + a0 = 1;

 a (2)3 + a (2)2 + a 2 + a = 2;
3 2 1 0
3 2


 a3 (1) + a2 (1) + a1 1 + a0 = 2;

a0 = 1
que corresponde al sistema lineal con matriz ampliada
 
(3)3 (3)2 3 1 1
 (2)3 (2)2 2 1 2 
 
 
 (1)3 (1)2 1 1 2 
0 0 0 1 1
cuyas incógnitas son los coeficientes del polinomio. Observe que el grado del polinomio
lo elegimos para tener la misma cantidad de incógnitas que de ecuaciones. Resolviendo
el sistema obtenemos:  
1 0 0 0 0
 0 1 0 0 −1 
 

 2 


 0 0 1 0 3 
 
 2 
0 0 0 1 1
lo que implica que el polinomio es −1 2
2 x + 23 x + 1.
Observar que si elegimos más puntos o los puntos que tomamos son más com-
plicados el sistema resultante se complica. Busquemos si podemos resolver el mismo
problema pero donde los números que busquemos sean más sencillos de hallar.
Si podemos conseguir polinomios de tercer grado pi que cumplan
pi (xi ) = 1 y si j 6= i pi (xj ) = 0
entonces basta con tomar el polinomio

n
X
yi pi (x)
i=1
que cumple con lo que estamos buscando.

Para el ejemplo dado, tales polinomios son:
(x−1)(x−2)(x−3)
p0 (x) = −6 ,
x(x−2)(x−3)
p1 (x) = 2 ,
x(x−1)(x−3)
p2 (x) = −2 ,
x(x−1)(x−2)
p3 (x) = 6
Por lo tanto el polinomio que estamos buscando es
1p0 (x) + 2p1 (x) + 2p2 (x) + 1p3 (x).
EJERCICIO 24. ¿ Por qué el polinomio 1p0 (x)+2p1 (x)+2p2 (x)+1p3 (x) es igual
al que construimos resolviendo el sistema lineal? No solo hacer la cuenta, mostrar en
general que los procesos ilustrados conducen a los mismos polinomios. Sugerencia:
Un polinomio de grado n con más de n raices solo puede ser el que tiene todos los
coeficientes iguales a cero.
EJERCICIO 25. Mostrar que dado cualquier polinomio de grado menor o igual
a tres a3 x3 + a2 x2 + a1 x + a0 existen coeficientes α0 , α1 , α2 , α3 tales que:
a3 x3 + a2 x2 + a1 x + a0 = α0 p0 (x) + α1 p1 (x) + α2 p2 (x) + α3 p3 (x).

Si miramos con cuidado la igualdad entre ambos polinomios que resuelven el
problema vemos que:
 y0 y1 y2 y3

 a3 = −6 + 2 + −2 + 6 ,

 y0 y1


 a2 = −6 [−1 − 2 − 3] + 2 [−2 − 3]

 y2 y3
+ −2 [−1 − 3] + 6 [−1 − 2],
y0 y1

 a1 = −6 [(−1)(−2) + (−2)(−3) + (−1)(−3)] + 2 [(−2)(−3)]

 y2 y3


 + −2 [(−1)(−3)] + 6 [(−1)(−2)],

 y0 y1 y2 y3
a0 = −6 [(−1)(−2)(−3)] + 2 [0] + −2 [0] + 6 [0],
2.4. CAMBIO DE BASE. 47
que lo podemos escribir matricialmente como:

   1 1 1 1
 
a3 −6 2 −2 6 y0
a   1 1 1 1
 2  −6 [−1 − 2 − 3] 2 [−2 − 3] −2 [−1 − 3] 6 [−1

− 2] y1


 = 1 1 1 1   .
a1   −6 [(−1)(−2) + (−2)(−3) + (−1)(−3)] 2 [(−2)(−3)] −2 [(−1)(−3)] 6 [(−1)(−2)]  y2 
a0 1 1 1 1 y3
−6 [(−1)(−2)(−3)] 2 [0] −2 [0] 6 [0]
Pongamos las cuentas que realizamos en el contexto del algebra lineal.¿ Qué fue lo
que hicimos?
• Elegimos un espacio vectorial de dimensión finita para obtener una solución.
• Tomamos una base de dicho espacio y calculamos las coordenadas del vector
que nos interesaba.
• Vimos que elijiendo otra base del espacio simplificabamos el cálculo de las
coordenadas del vector buscado.
• Hallamos como se relacionan unas coordenadas con otras, lo que nos dio una
matriz que, cambiando los valores de y en los puntos elegidos nos permite de
una manera sencilla calcular los coeficientes del polinomio que nos interesa
hallar.
Un comentario sobre el ejemplo. El procedimiento utilizado es llamado de interpo-
lación: dado ciertos valores elejimos una función que tome exactamente esos valores.
En este caso es llamado de interpolación polinómica porque tomamos polinomios para
buscar las funciones que nos interesan. La elección de cuales funciones tomamos para
interpolar depende del contexto en el que estemos trabajando.
Veamos ahora, en general, la relación que existe entre lasa coordenadas de un

vector en dos bases diferentes. O sea, dados dos bases B y D vamos a mirar la
transformación
coordB (v) 7→ coordD (v).
DEFINICIÓN 36. Sean B = {v1 , v2 , . . . , vn } y D = {v1′ , v2′ , . . . , vn′ } bases del

espacio V e I : V → V la transformación identidad (esto es I (v) = v ∀v ∈ V ).
Llamaremos matriz de cambio de la base (“vieja”) B a la base (“nueva”) D a la
matriz:
D (I)B .
La relación entre las coordenadas está dada por la siguiente
PROPOSICIÓN 37. Se cumple que coordD (v) = D (I)B coordB (v).

Demostración. Sabemos que la función de la matriz asociada es

coordD (I (v)) =D (I)B coordB (v)
Pero siendo I (v) = v, se obtiene la hipótesis.
PROPOSICIÓN 38. Sean V un espacio vectorial sobre un cuerpo K, B y D

bases del mismo e I : V → V la transformación
 lineal identidad. Entonces:
1 0 ... 0
 
 0 1 ... 0 
1) B (I)B =  . .

 (matriz identidad).
.. 
 .. .. . 
0 0 ... 1
−1
2) D (I)B es invertible y [D (I)B ] =B (I)D .
Demostración. Demostración: (Ejercicio)

K, A, A’ bases de V , B, B’ bases de W , T : V → W una transformación lineal.
Entonces
B′ (T )A′ =B′ (IW )B B (T )A A (IV )A′
donde IV : V → V y IW : W → W son las transformaciones lineales identidad en V

y W respectivamente.
Demostración. Como IW ◦ T ◦ IV ≡ T se tiene, aplicando la proposición 2.33.

reiteradamente
B′ (IW ◦ T ◦ IV )A′ =B′ (T )A′ ⇒ B′ (IW )B B (T ◦ IV )A′ = B′ (T )A′
⇒ B′ (IW )B B (T )A A (IV )A′ = B′ (T )A′ .

2.5. IMAGEN Y NUCLEO DE UNA TRANSFORMACION LINEAL.
DEFINICIÓN 40. Sean V y W espacios vectoriales sobre el mismo cuerpo K

y T : V → W una transformación lineal.
i: Llamaremos núcleo de T al conjunto de V cuya imagen por T es el vector
nulo, es decir
ker (T ) = {v ∈ V : T (v) = 0 ∈ W }
también se usa la notación N (T ).
2.5. IMAGEN Y NUCLEO DE UNA TRANSFORMACION LINEAL. 49
ii: Llamaremos imagen de T al conjunto:

Im (T ) = {w ∈ W : ∃ v ∈ V con w = T (v)}
también se utiliza la notación T (V ).
EJEMPLO 41. Se considera la transformación lineal T : R3 → R2 tal que

T (x, y, z) = (x + y + z, 2x + 2y + 2z).
1) Hallemos el núcleo de T.
(x, y, z) ∈ ker (T ) ⇔ T (x, y, z) = (0, 0) ⇔ (x + y + z, 2x + 2y + 2z) = (0, 0)
(
x+y+z =0
⇔ ⇔ x+y+z =0
2x + 2y + 2z = 0

Ası́ el ker (T ) = (x, y, z) ∈ R3 : x + y + z = 0 .
2) Hallemos la imagen de T.

(a, b) ∈ Im (T ) ⇔ existe (x0 , y0 , z0 ) ∈ R3 T (x0 , y0 , z0 ) = (a, b)
⇔ existe (x0 , y0 , z0 ) ∈ R3 tal que (x0 + y0 + z0 , 2x0 + 2y0 + 2z0 ) = (a, b)
(
x0 + y0 + z0 = a
⇔ existe (x0 , y0 , z0 ) ∈ R3 tal que
2x0 + 2y0 + 2z0 = b
(
x+y+z =a
⇔ el sistema es compatible
2x + 2y + 2z = b
(
x+y+z =a
⇔ el sistema es compatible
0 = b − 2a
⇔ b = 2a
2

Luego: Im (T ) = (a, b) ∈ R : b = 2a .
EJEMPLO 42. Se considera la transformación lineal T : R3 → R2 tal que

T (x, y, z) = (x + y, y + z).
1) Hallemos el núcleo de T.
(x, y, z) ∈ ker (T ) ⇔ T (x, y, z) = 0 ⇔ (x + y, y + z) = 0
(
x+y =0
⇔
y+z =0

Ası́ el ker (T ) = (x, y, z) ∈ R3 : x = −y , z = −y con y ∈ R .
2) Hallemos la imagen de T.

(a, b) ∈ Im (T ) ⇔ existe (x0 , y0 , z0 ) ∈ R3 T (x0 , y0 , z0 ) = (a, b)
(
3 x0 + y0 = a
⇔ existe (x0 , y0 , z0 ) ∈ R tal que
y 0 + z0 = b
(
x+y =a
⇔ el sistema es compatible.
y+z =b
Como el sistema es compatible para cualquier par (a, b) resulta que Im (T ) = R2 .
EJEMPLO 43. Se considera la transformación lineal T : P2 → R2 tal que

T (p) = (p (0) , p (1)).
1) Hallamos el núcleo ker (T ).

Sea p : p (t) = xt2 + yt + z un polinomio de P2
p ∈ ker (T ) ⇔ T (p) = (0, 0) ⇔ (p (0) , p (1)) = (0, 0)


 x cualquiera
( ( 
p (0) = 0 z=0
⇔ ⇔ ⇔ y = −x
p (1) = 0 x+y+z =0 

z=0

Luego ker (T ) = p ∈ P2 p : p (t) = xt2 − xt con x ∈R
2) Hallemos la imagen de T, Im (T ).
(a, b) ∈ Im (T ) ⇔ existe p0 ∈ P2 tal que T (p0 ) = (a, b) ⇔
⇔ existe p0 ∈ P2 tal que (p0 (0) , p0 (1)) = (a, b)
⇔ existe p0 : p0 (t) = x0 t2 + y0 t + z0 ∈ P2 tal que (x0 , x0 + y0 + z0 ) = (a, b)

(
x0 = a
⇔ existen x0 , y0 , z0 ∈ R tales que
x0 + y0 + z0 = b
(
x=a
⇔ el sistema es compatible.
x+y+z =b
Como el sistema anterior es compatible para cualquier a y b resulta que Im (T ) = R2
EJEMPLO 44. Se considera la transformación lineal !

1 −1
T : M2×2 (R) → M2×2 (R) tal que T (M ) = · M.
−2 2
!
a b
1) Hallemos el ker (T ) Sea M = un matriz en M2×2 (R)
c d
!
1 −1
M ∈ ker (T ) ⇔ T (M ) = 0 ⇔ M = 0M2×2 (R)
−2 2
! ! !
1 −1 a b 0 0
⇔ =
−2 2 c d 0 0
! !
a−c b−d 0 0
⇔ =
−2a + 2c −2b + 2d 0 0
 

 a−c = 0 
 a = c

 
 b = d
b−d = 0
⇔ ⇔
 −2a + 2c
 = 0  c
 cualquiera

 

−2b + 2d = 0 d cualquiera
( ! )
c d
Ası́ ker (T ) = M ∈ M2×2 (R) : M = con c, d ∈ R .
c d
2) Hallar la Im (T )
! !
a b x0 y0
∈ Im (T ) ⇔ existe ∈ M2×2 (R) tal que
c d z0 t0
! !
x0 y0 a b
T =
z0 t0 c d
! ! ! !
x0 y0 1 −1 x0 y0 a b
⇔ existe ∈ M2×2 (R) tal que =
z0 t0 −2 2 z0 t0 c d
! ! !
x0 y0 x0 − z0 y 0 − t0 a b
⇔ existe ∈ M2×2 (R) tal que =
z0 t0 −2x0 + 2z0 −2y0 + 2t0 c d
⇔ existen x0 , y0 , z0 , t0 ∈ R tales que


 x0 − z0 = a

 y 0 − t0 = b


 −2x 0 + 2z0 = c

−2y0 + 2t0 = d


 x−z = a

 y−t = b
⇔ el sistema tiene solución.


 −2x + 2z = c

−2y + 2t = d


 x−z = a

 y−t = b
⇔ el sistema tiene solución


 0 = 2a + c

0 = 2b + d
⇔ 2a + c = 0 y 2b + d = 0.
( ! )
a b
Ası́, Im (T ) = ∈ M2×2 (R) : a, b ∈ R .
−2a −2b
PROPOSICIÓN 45. El conjunto ker (T ) es un subespacio vectorial de V.
Demostración. Veamos que ker (T ) 6= φ y que es cerrado respecto de las op-

eraciones del espacio vectorial.
1) T (0) = 0 ⇒ 0 ∈ ker (T ) .
2) Si α , β ∈ K y v1 , v2 ∈ ker (T ) entonces:
T (α v1 + β v2 ) = α T (v1 ) + β T (v2 )
= α.0 + β .0 =0
Lo que implica que α v1 + β v2 ∈ ker (T ) . Por lo tanto ker (T ) es un subespacio de

V.
PROPOSICIÓN 46. El conjunto Im (T ) es un subespacio vectorial de W.
Demostración. Análogamente,
1) T (0) = 0 ⇒ 0 ∈ Im (T )
2) Si α , β ∈ K y w1 , w2 ∈ Im (T ) entonces existen v1 , v2 tales que T ( v1 ) =
w1 y T ( v2 ) = w2 . Entonces, si llamamos v = α v1 + β v2 , se tiene T (v) =
α w1 + β w2 y por lo tanto α w1 + β w2 ∈ Im (T ) . Luego Im (T ) es un subespacio
de W.
EJEMPLO 47. Hallemos una base del núcleo y una base de la imagen de la
transformación lineal T : R4 → R3 definida por
T (x, y, z, t) = (x − y + z + t, x + 2z − t, x + y + 3z − 3t)
1) (x, y, z, t) ∈ ker (T ) ⇔ T (x, y, z, t) = (0, 0, 0) ⇔

⇔ (x − y + z + t, x + 2z − t, x + y + 3z − 3t) = (0, 0, 0)
 

 x−y+z+t = 0  x−y+z+t = 0

⇔ x + 2z − t = 0 ⇔ y + z − 2t = 0

 

x + y + 3z − 3t = 0 2y + 2z − 4t = 0
( (
x−y+z+t = 0 x = −2z + t
⇔ ⇔
y + z − 2t = 0 y = −z + 2t
Luego los vectores del núcleo de T son de la forma

(−2z + t, −z + 2t, z, t) con z, t ∈ R. Como
(−2z + t, −z + 2t, z, t) = z (−2, −1, 1, 0) + t (1, 2, 0, 1) con z, t ∈ R,

todo vector del núcleo de T es combinación lineal de los vectores (−2, −1, 1, 0) y
(1, 2, 0, 1). Por ser {(−2, −1, 1, 0), (1, 2, 0, 1)} un conjunto L.I., es una base de ker(T ).
2) Un vector w ∈ Im (T ) ⇔ ∃v ∈ R4 tal que w = T (v), es decir
∃ (x, y, z, t) ∈ R4 tal que w = T (x, y, z, t) ,
w = (x − y + z + t, x + 2z − t, x + y + 3z − 3t)
⇔ ∃x, y, z, t ∈ R tal que v = (x, x, x) + (−y, 0, y) + z (1, 2, 3) + t (1, −1, −3) .
Esto implica que todo vector de la imagen de T es combinación lineal de
{(1, 1, 1) , (−1, 0, 1) , (1, 2, 3) , (1, −1, −3)}
(observar que dichos vectores están en la imagen pues son imagen de los vectores de
la base canónica en orden correspondiente ).

Pero el conjunto anterior es L.D. pues tiene 4 vectores y dim R3 =3. Observemos
que
(1, 2, 3) = 2 (1, 1, 1) + (−1, 0, 1)
(1, −1, −3) = −1 (1, 1, 1) + (−2) (−1, 0, 1)
eso nos permite reducir el conjunto generador L.D. hasta obtener {(1, 1, 1) , (−1, 0, 1)}
que sı́ es L.I. y genera Im. Luego {(1, 1, 1) , (−1, 0, 1)} es base de Im (T ).
PROPOSICIÓN 48. Sea V, W espacios vectoriales de dimensión finita sobre

un mismo cuerpo y T : V → W lineal.
i: Si {v1 , . . . , vn } es un generador de V, entonces {T (v1 ) , . . . , T (vn )} es un
generador de Im (T ).
ii: Si {T (v1 ) , . . . , T (vn )} es un conjunto L.I. en Im (T ) entonces {v1 , . . . , vn }

es conjunto L.I. en V .
Este resultado puede resumirse como:
•la imagen de un conjunto generador de V es un generador de Im (T )
•la pre-imagen de un conjunto L.I. en la Im (T ) es un conjunto L.I. en V .
Demostración. i) Dado w ∈ Im (T ) existe v ∈ V tal que w = T (v). Como

v ∈ V y {v1 , . . . , vn } es un generador de V , existen α1 , . . . , αn escalares tales que
v = α1 v1 + · · · + αn vn . Luego
w = T (v) = T (α1 v1 + · · · + αn vn )
= α1 T (v1 ) + · · · + αn T (vn ) .
Ası́ todo vector w ∈ Im (T ) es combinación lineal de {T (v1 ) , . . . , T (vn )} ⊆ Im (T ) es
decir que {T (v1 ) , . . . , T (vn )} es un generador de Im (T ).
ii) Sean α1 , . . . , αn ∈ K tales que
α1 v1 + · · · + αn vn = 0.
Aplicando T y usando la linealidad α1 T (v1 )+· · ·+αn T (vn ) = 0. Como {T (v1 ) , . . . , T (vn )}
es un conjunto L.I. resulta que α1 = . . . = αn = 0. Esto prueba que {v1 , . . . , vn } es
L.I.
2.6. TRANSFORMACIONES LINEALES INYECTIVAS Y

SOBREYECTIVAS.
Sean V y W espacios vectoriales sobre un mismo cuerpo K y T : V → W una

transformación lineal. Recordemos que T es inyectiva cuando
T (v1 ) = T (v2 ) ⇒ v1 = v2 ;
o equivalentemente
v1 6= v2 ⇒ T (v1 ) 6= T (v2 ).
PROPOSICIÓN 49. Son equivalentes las siguientes afirmaciones:

i: T es inyectiva.
ii: Para todo conjunto A linealmente independiente de V se cumple que T (A)
es linealmente independiente en W.
iii: ker (T ) = {0}.
2.6. TRANSFORMACIONES LINEALES INYECTIVAS Y SOBREYECTIVAS. 55
Demostración. i) ⇒ ii) Sabemos que T es inyectiva. Sea A = {v1 , . . . , vn } un

conjunto L.I. de V. Probemos que T (A) = {T (v1 ) , . . . , T (vn )} es L.I. en W.
Sean α1 , . . . ., αn ∈ K tales que α1 T (v1 ) + . . . + αn T (vn ) = 0w . Debemos probar
que α1 = . . . . = αn = 0. Siendo T lineal obtenemos T (α1 v1 + . . . + αn vn ) = 0w .
Ası́ T (α1 v1 + . . . + αn vn ) = T (0v ) y como T es inyectiva se obtiene que
α1 v1 + . . . + αn vn = 0v
como A = {v1 , . . . , vn } es L.I., se cumple que α1 = . . . . = αn = 0.

ii) ⇒ iii) Supongamos, por absurdo, que ker (T ) 6= {0v }.Entonces existe v ∈
ker (T ) con v 6= 0v . Luego A = {v} es L.I. en V y por hipótesis T (A) = T (v) es L.I.
en W entonces T (v) = 0w es L.I. Absurdo.
iii) ⇒ i) Si T (v1 ) = T (v2 ) ⇒ T (v1 ) − T (v2 ) = 0w luego T (v1 − v2 ) = 0w ⇒
v1 − v2 ∈ ker (T ) por iii) v1 − v2 = 0v es decir v1 = v2 .
Recordemos ahora que T es sobreyectiva cuando
para todo w ∈ W existe v ∈ V con T (v) = w ,

o equivalentemente
Im (T ) = W .

i: T es sobreyectiva.
ii: Para todo A generador de V se cumple que T (A) es un generador de W.
iii: Existe un generador A0 de V tal que T (A0 ) es generador de W.
Demostración. i) ⇒ ii) Sea A un generador de V. Por la proposición 2.48. se

cumple que T (A) es un generador de la Im (T ). Como Im (T ) = W , por ser T
sobreyectiva se cumple: T (A) es un generador de W.
ii) ⇒ iii) Inmediato. iii) ⇒ i) Sabemos que existe A0 = {v1 , . . . , vn } generador
de V tal que T (A0 ) = {T (v1 ) , . . . , T (vn )} es generador de W. Sea w ∈ W , como
T (A0 ) es generador de W, existen α1 , . . . ., αn ∈ K tales que
w = α1 T (v1 ) + . . . + αn T (vn ) .
Siendo T lineal se cumple que
w = T (α1 v1 + . . . . + αn vn ) .
Hemos probado que dado w ∈ W existe v0 = α1 v1 + . . . . + αn vn ∈ V tal que

w = T (v0 ) luego T es sobreyectiva.
Recordemos por último que T es biyectiva cuando es inyectiva y sobreyectiva.

i: T es biyectiva.
ii: Para toda base B del espacio V se cumple que T(B)es una base de W.
iii: Existe una base B0 del espacio V tal que T (B0 ) es una base de W.
Demostración.
(
T es lineal e inyectiva (1)
i) ⇒ ii)T es lineal y biyectiva ⇔
T es lineal y sobreyectiva (2)
(
B es L.I. (1′ )
Por otro lado, B es una base de V ⇔
B es generador de V (2′ )
De (1) y (1’) aplicando la prop. 2.49 se obtiene que T (B) es L.I.
De (2) y (2’) aplicando la prop. 2.50 se obtiene que T (B) es generador de W.
Como T (B) es l.i. y genera W es una base de W.
ii) ⇒ iii) Inmediato.
iii) ⇒ i) Sabemos que existe B0 es base de V tal que T (B0 ) es base de W, por
la proposición 2.50 T es sobreyectiva. Probemos que T es inyectiva, es equivalente a
probar que ker (T ) = {0}. Si v ∈ ker (T ) ⊆ V , como B0 = {v1 , . . . , vn } es base de V,
existen α1 , . . . ., αn ∈ K tales que v = α1 v1 + . . . . + αn vn .
Luego usando la linealidad de T se obtiene que T (v) = α1 T (v1 ) + . . . + αn T (vn ).
Pero como v ∈ ker (T ), se tiene que T (v) = 0
α1 T (v1 ) + . . . + αn T (vn ) = 0
Pero T (B0 ) = {T (v1 ) , . . . , T (vn )} es L.I. (por ser base) entonces α1 = . . . . = αn = 0
y por tanto v = 0 como querı́amos.

Recordemos que T es biyectiva si y solo si T es invertible, es decir, que existe la

función inversa T −1 .
PROPOSICIÓN 52. Sean V, W espacios vectoriales sobre un mismo cuerpo y

T : V → W una transformación lineal y biyectiva.
Entonces la función inversa T −1 : W → V es una transformación lineal.
2.6. TRANSFORMACIONES LINEALES INYECTIVAS Y SOBREYECTIVAS. 57
Demostración. Sean w1 y w2 ∈ W y λ y µ ∈ K. Observando que T T −1 (w) = w

y que T es lineal,
λ w1 + µ w2 = λT T −1 (w1 ) + µT T −1 (w2 )

= T λT −1 (w1 ) + µT −1 (w2 )
Aplicando T −1 a ambos miembros
T −1 (λw1 + µ w2 ) = λT −1 (w1 ) + µT −1 (w2 ) .

con dim (V ) = n y T : V → W una transformación lineal.
Si {e1 , . . . , ed } es una base de ker (T ) y {e1 , . . . , ed , ed+1 , . . . , en } es una base de
V entonces {T (ed+1 ) , . . . , T (en )} es una base de Im (T ).
Demostración. Probaremos que {T (ed+1 ) , . . . , T (en )} es base de Im (T ).

1) Es L.I. pues si αd+1 T (ed+1 ) + · · · + αn T (en ) = 0 se cumple
T (αd+1 ed+1 + · · · + αn en ) = 0 ⇒ αd+1 ed+1 + · · · + αn en ∈ ker (T ) .
Por lo tanto αd+1 ed+1 + · · · + αn en es C.L de los vectores de la base de ker (T ); existen
α1 , . . . , αd tales que:
αd+1 ed+1 + · · · + αn en = α1 e1 + · · · + αd ed
o sea:
−α1 e1 − · · · − αd ed + αd+1 ed+1 + · · · + αn en = 0.
Como {e1 , . . . , en } es L.I. por ser una base de V ; todos los coeficientes αi deben ser
ceros. Por lo tanto, hemos probado que {T (ed+1 ) , . . . , T (en )} es L.I.
2) {T (ed+1 ) , . . . , T (en )} generan la Im (T ). Si w ∈ Im (T ) entonces existe v ∈ V
tal que T (v) = w donde v = α1 e1 + · · · + αn en , porque {e1 , . . . , en } es base de V,
T (v) = w = T (α1 e1 + · · · + αn en )
= α1 T (e1 ) + · · · + αd T (ed ) + αd+1 T (ed+1 ) + · · · + αn T (en )
vectores del ker
=0 + . . . . . . . . . . . . + 0 +αd+1 T (ed+1 ) + · · · + αn T (en ) .
Luego todo vector w ∈ Im (T ) es C.L. de {T (ed+1 ) , . . . , T (en )}, es decir, genera el

subespacio Im (T ).
TEOREMA 54. (De las dimensiones) Sean V y W espacios vectoriales sobre

un mismo cuerpo K, con dim (V ) = n y T : V → W una transformación lineal.
Entonces
dim (V ) = dim (ker (T )) + dim (Im (T )) .
Demostración. Como ker(T ) es subespacio de V, si d = dim (ker (T )), tenemos

0 6 d 6 n.
Tenemos tres casos posibles.
1er. Caso: d=n. Como dim (ker (T )) = dim V obtenemos ker (T ) = V . En-
tonces T (v) = 0 ∀v ∈ V , es decir Im (T ) = 0 y dim (Im (T )) = 0, cumpliéndose
la tesis en este caso.
2do. Caso: 0 < d < n. El resultado es una consecuencia directa de la proposi-
ción 2.53.
3er. Caso: d = dim (ker (T )) = 0. Luego ker (T ) = {0}.
Si {v1 , . . . , vn } es una base de V , por tanto es un generador de V , la
proposición 2.48 garantiza que {T (v1 ) , . . . , T (vn )} es un generador del sube-
spacio Im (T ).
Veamos que también es L.I. En efecto
α1 T (v1 ) + . . . + αn T (vn ) = 0 ⇔ T (α1 v1 + . . . + αn vn ) = 0
de donde obtenemos que α1 v1 + . . . + αn vn ∈ ker T . Como ker T = {0}

tenemos α1 v1 +. . .+αn vn = 0. Utilizando el hecho que los vectores v1 , . . . , vn
forman una base obtenemos que
α1 = . . . . = αn = 0.
Por lo tanto {T (v1 ) , . . . , T (vn )} es una base de Im (T ), ası́ dim (Im (T )) = n

y se cumple que
dim V = dim ker (T ) + dim Im (T ) .
2.7. ISOMORFISMOS ENTRE ESPACIOS VECTORIALES
DEFINICIÓN 55. Sean V, W espacios vectoriales sobre un mismo cuerpo K.

a) Una transformación lineal T : V → W biyectiva es llamada un isomorfismo.
b) Diremos que V y W son isomorfos cuando existe un isomorfismo que lleva V en
W.
2.8. NUCLEO E IMAGEN VIA MATRIZ ASOCIADA. 59
OBSERVACIÓN 56. De acuerdo a la proposición 2.52. si T : V → W es un

isomorfismo entonces T −1 : W → V también lo es.
PROPOSICIÓN 57. Sean V y W dos espacios vectoriales de dimensión finita

sobre un mismo cuerpo K. Entonces las siguientes afirmaciones son equivalentes:
a: dim (V ) = dim (W ),
b: V es isomorfo a W.
Demostración. a) ⇒ b) Sean dim (V ) = dim (W ) = n, A = {v1 , . . . , vn }

base de V y B = {w1 , . . . . , wn } base de W . Luego definimos T : V → W lineal
tal que T (vi ) = wi (T está “bien definida”por el teorema 2.10). Como existe una
base A de V tal que T (A) = B es base de W , por la proposición 2.51. T es biyectiva.
b) ⇒ a) Como V es isomorfo a W, existe un isomorfismo: T : V → W . Por
el teorema de las dimensiones se tiene que dim (V ) = dim (ker (T )) + dim (Im (T )).
Por ser T inyectiva dim (ker (T )) = 0, como T es sobreyectiva Im (T ) = W . Luego
dim (V ) = dim (W ).
COROLARIO 58. Si V es un espacio vectorial, con dim (V ) = n, sobre el

cuerpo K, entonces V es isomorfo a Kn .
Demostración. En efecto el espacio vectorial Kn sobre el cuerpo K tiene di-

mensión n. Ası́ dim (V ) = dim (Kn ) = n lo que implica que V y Kn son isomorfos.
EJERCICIO 26. Mostrar que el espacio de transformaciones lineales L(V, W )

entre dos espacios de dimensión finita es isomorfo al de matrices de tamaño dim W ×
dim V .
Construya un isomorfismo explı́cito entre ambos.
2.8. NUCLEO E IMAGEN VIA MATRIZ ASOCIADA.
En esta Sección se estudiarán las relaciones entre el núcleo y la imagen de una

transformación lineal y el núcleo y la imagen de la matriz asociada a dicha transfor-
mación lineal.
PROPOSICIÓN 59. Sean V, W espacios vectoriales sobre un mismo cuerpo

A = {v1 , v2 , . . . ., vn } una base de V , B = {w1 , w2 , . . . ., wn } una base de W y T : V →
W lineal. Entonces:
1) Si v ∈ ker (T ) entonces coordA (v) ∈ ker (B (T )A )
2) Si x ∈ ker (B (T )A ) entonces coord−1 A (x) ∈ ker (T )
Demostración. 1) Si v ∈ ker (T ) entonces T (v) = 0, esto implica que coordB (T (v)) =

coordB (0) . Como coordB : W → Rm es una transformación lineal se cumple: coordB (0) =
0, ası́ coordB (T (v)) = 0. Por la función de la matriz asociada, tenemos B (T )A coordA (v) =
0, esto es coordA (v) ∈ ker (B (T )A ).  
x1
 . 
2) Si x = (x1 , . . . ., xn ) ∈ ker (B (T )A ) ⇒B (T )A  . 
 .  = 0.
xn
 
! x1
por def de ma-  . 
⇒ ([coordB (T (v1 ))] . . . [coordB (T (v1 ))]) .  . 
triz asociada  . =0
xn
⇒ coordB (T (v1 )) .x1 + . . . + coordB (T (vn )) .xn = 0 ⇒
(por ser coordB lineal )
⇒ coordB (x1 T (v1 ) + . . . . . . + xn T (vn )) = 0
(por ser coordB inyectiva)
⇒ x1 T (v1 ) + . . . . . . + xn T (vn ) = 0
(linealidad de T )
⇒ T (x1 v1 + . . . + xn vn ) = oV
⇒ x1 v1 + . . . + xn vn ∈ ker (T ) .
| {z }
coord−1
A (x)
OBSERVACIÓN 60. Recordemos que coordA : V → Kn es un isomorfismo

entre V y K. La proposición anterior nos asegura que al aplicarle la transforma-
ción lineal coordA a un vector del ker (T ), se obtiene un vector del ker (B (T )A ) y
recı́procamente.
Luego coordA es un isomorfismo entre ker (T ) y ker (B (T )A ).
Esto nos permite enunciar la siguiente
PROPOSICIÓN 61. Sean V , W espacios vectoriales sobre un mismo cuerpo,

A = {v1 , v2 , . . . ., vn } una base de V , B = {w1 , w2 , . . . ., wn } una base de W , T : V →
W lineal. Entonces:
1) Los subespacios ker (T ) y ker (B (T )A ) son isomorfos.
2) Vale dim(ker(T )) = n − rango(B (T )A ).
3) Si {e1 , e2 , . . . , ek } es una base de ker (T ) entonces
{coordA (e1 ) , coordA (e2 ) , . . . , coordA (ek )}

es base de ker (B (T )A ).
4) Si {x1 , x2 , . . . , xk } es base de ker (B (T )A ) entonces

coord−1 −1 −1
A (x1 ) , coordA (x2 ) , . . . , coordA (xk )
es base de ker (T ).
Demostración. (Ejercicio) Sugerencias:

1) Vimos en la observación anterior que coordA es un isomorfismo entre ker (T )
y ker (B ((T ))A ).
2) Basta recordar que dos espacios isomorfos tienen la misma dimensión y que si
M es una matriz, dim (Im (M )) = rango (M ).
3) Los isomorfismos “llevan bases en bases”.
4) La inversa de un isomorfismo es un isomorfismo.

Recomendamos prestar particular atención a los ejemplos que siguen.

3
EJEMPLO  62. Se considera una transformación lineal T : M2×2 (R) → R tal
1 −1 1 1
 
que B (T )A =  1 0 2 −1  donde
1 1 3 −3
11 0 0
1 −1 1 0
A = ( 1 1 ) , −1 0 , 0 0 , ( 0 0 ) y B = {(1, 1, 1) , (0, 1, 1) , (0, 0, 1)} .
Queremos hallar una base del núcleo de T .
Primero calculamos una base del núcleo de la matriz B (T )A . Sea (x, y, z, t) ∈

ker (B (T )A ) . Entonces
 
  x  
x 1 −1 1 1  y  0
y 0     
B (T )A z = 0 ⇔ 1 0 2 −1   = 0 ⇔
t 0  z 
1 1 3 −3 0
t
   
  x     x  
1 −1 1 1   0 1 −1 1 1   0
  y      y   
 0 1 1 −2   = 0 ⇔ 0 1 1 −2   = 0 
 z   z 
0 2 2 −4 0 0 0 0 0 0
t t
( (
x−y+z+t=0 x = −2z − 2t
⇔ ⇔
y+z+t=0 y = −z − t
Ası́ los vectores del núcleo de la matriz B (T )A son de la forma
(−2z − 2t, z + t, z, t) = z (−2, 1, 1, 0) + t (−2, 1, 0, 1) .
Entonces {(−2, 1, 1, 0) , (−2, 1, 0, 1)} es una base del ker (B (T )A ).

Luego, de acuerdo con la Proposición 2.61.
−1

coordA (−2, 1, 1, 0) , coord−1A (−2, 1, 0, 1)
0 0
1 −1

= −2 ( 11 11 ) + 1 −1 0 +1 0 0 + 0 ( 10 00 ) ,
1 1) + 1 0 0
1 −1

−2 ( (
11 −1 0 !+ 0 0 0 ( 10 00 )
+ 1!)
−1 −3 −1 −2
= ,
−3 −2 −3 −2
es una base del núcleo de T .
2 2
EJEMPLO 63. ! Se considera una transformación lineal T : R → R tal que
1 2
B (T )A = donde A = B = {(1, 0) , (1, 1)}. Queremos hallar una base del
2 4
núcleo de T .
Primero calculemos una base del núcleo de la matriz B (T )A , un vector (x, y) ∈

ker (B (T )A ) cuando B (T )A ( xy ) = ( 00 )
! ! !
1 2 x 0
= ⇔ x + 2y = 0 ⇔ x = −2y.
2 4 y 0
Ası́ los vectores del núcleo de la matriz B (T )A son de la forma: (−2y, y) = y (−2, 1).
Entonces {(−2, 1)} es una base de ker (B (T )A ). Luego, de acuerdo a la Proposición

2.61., coord−1A (−2, 1) = {−2 (1, 0) + 1 (1, 1)} = {(−1, 1)} es una base del ker (T ).
EJEMPLO
 64. Se  considera una transformación lineal T : P2 → R3 tal que
1 2 −1
 
B (T )A =  0 1 −1  siendo A = {p0 , p1 , p2 } con pi : pi (t) = ti (i = 0, 1, 2) y
−1 1 −2
B = {(2, 0, −1) , (0, 1, 4) , (0, 0, 3)}. Queremos hallar una base del núcleo de T .
Primero calculamos una base del núcleo de la matriz B (T )A

   
x 0
   
(x, y, z) ∈ ker (B (T )A ) ⇔ B (T )A  y  =  0  ⇔
z 0
         
1 2 −1 x 0 1 2 −1 x 0
         
 0 1 −1   y  =  0  ⇔  0 1 −1   y  =  0 
−1 1 −2 z 0 0 3 −3 z 0
    
1 2 −1 x 0 ( (
     x + 2y − z = 0 x = −z
⇔  0 1 −1   y  =  0  ⇔ ⇔
y−z =0 y=z
0 0 0 z 0
Los vectores del núcleo de B (T )A son de la forma: (−z, z, z) = z (−1, 1, 1) . Entonces
{(−1, 1, 1)} es una base del ker (B (T )A ). Luego, de acuerdo a la proposición 2.61.,
una base del núcleo de ker(T ) es
2

coord−1
A (−1, 1, 1) = {−1p0 + 1p1 + 1p2 } = −1 + t + t .
PROPOSICIÓN 65. Sean V , W espacios vectoriales sobre un mismo cuerpo

K, A = {v1 , v2 , . . . ., vn } una base de V . B = {w1 , w2 , . . . ., wm } una base de W ,
T : V → W lineal. Entonces
1) Si w ∈ Im (T ) ⇒ coordB (w) ∈ Im (B (T )A ).
2) Si y ∈ Im (B (T )A ) ⇒ coord−1 B (y) ∈ Im (T ).
Demostración. 1) Si w ∈ Im (T ), existe v ∈ V tal que T (v) = w entonces

coordB (T (v)) = coordB (w). Por la definición de matriz asociada
coordB (T (v)) =B (T )A coordA (v) = coordB (w) .
Hemos probado que existe coordA (v) ∈ Rn tal que
B (T )A coordA (v) = coordB (w) ⇒ coordB (w) ∈ Im (B (T )A ) .
2) Si y = (y1 , . . . ., ym ) ∈ Im (B (T )A ) ⇒ existe x = (x1 , . . . ., xn ) ∈ Rn tal que
x1
! y1 !
.. ..
B (T )A . = . .
xn ym
Por la definición de la matriz asociada
x1 coordB (T (v1 )) + . . . + xn coordB (T (vn )) = y,

como la transformación coordenadas es lineal

⇒ coordB (x1 T (v1 ) + . . . + xn T (vn )) = y
⇒ x1 T (v1 ) + . . . + xn T (vn ) = coord−1
B (y)
−1
⇒ T (x1 v1 + . . . + xn vn ) = coordB (y) .
| {z }
= v0
Ası́ existe v0 ∈ V tal que T (v0 ) = coord−1 −1

B (y)⇒ coordB (y) ∈ Im (T ).
OBSERVACIÓN 66. Al igual que la observación 2.60. concluimos que

coordB es un isomorfismo entre Im (T ) e Im (B (T )A ).
PROPOSICIÓN 67. Sean V, W espacios vectoriales sobre un mismo cuerpo

A = {v1 , v2 , . . . ., vn } una base de V, B = {w1 , w2 , . . . ., wn } una base de W, T : V →
W lineal. Entonces:
1)Los subespacios Im (T ) e Im (B (T )A ) son isomorfos.
2) Se cumple dim (Im (T )) = rango (A).
3) Si {h1 , . . . , hk } es una base de Im (T ) entonces
{coordB (h1 ) , coordB (h2 ) , . . . . . . , coordB (hk )}
es base de Im (B (T )A ).
4) Si {y1 , . . . ., yk } es una base de Im (B (T )A ) entonces

coord−1 −1 −1
B (y1 ) , coordB (y2 ) , . . . , coordB (yk )
es base de Im (T ).
Demostración. (Ejercicio)
EJEMPLO 68. Consideremos la transformación lineal del ejemplo 2.62. Halle-

mos una base de Im (T ).
Primero hallemos una base de la imagen de la matriz B (T )A . Sabemos de la

proposición 2.??. que las columnas de B (T )A
{(1, 1, 1) , (−1, 0, 1) , (1, 2, 3) , (1, −1, −3)}
son un generador de Im (B (T )A ). Claramente es L.D. reducimos dicho generador

hasta obtener el generador L.I.:
{(1, 1, 1) , (−1, 0, 1)} .

Ası́ {(1, 1, 1) , (−1, 0, 1)} es una base de Im (B (T )A ). Luego de acuerdo a la proposición

2.67.

coord−1 −1
B (1, 1, 1) , coordB (−1, 0, 1) = {1 (1, 1, 1) + 1 (0, 1, 1) + 1 (0, 0, 1) ,
−1 (1, 1, 1) + 0 (0, 1, 1) + 1 (0, 0, 1)}
= {(1, 2, 3) , (−1, −1, 0)}
es base de Im (T ).
EJEMPLO 69. Consideremos la transformación lineal del ejemplo 2.63.
Hallemos una base de la Im (T ); primero hallemos una base de la imagen de la

matriz B (T )A . Por la proposición 2.??. las columnas de B (T )A ,
{(1, 2) , (2, 4)}
son un generador de Im (B (T )A ). Claramente es L.D. lo reducimos y hallamos {(1, 2)}
base de la Im (B (T )A ). Por la proposición 2.67.

coord−1
B (1, 2) = {1 (1, 0) + 2 (1, 1) }
= {(3, 2)}
es una base de Im (T ).
EJEMPLO 70. Consideremos la transformación lineal del ejemplo 2.64.
Hallemos una base de la Im (T ); de acuerdo a la proposición 2.??.

{(1, 0, −1) , (2, 1, 1) , (−1, −1, −2)}
es un generador de Im (B (T )A ). Como es L.D., lo reducimos hasta obtener {(1, 0, −1) , (2, 1, 1)}
que es una base de Im (B (T )A ). Luego por la proposición 2.67.

coord−1 −1
B (1, 0, −1) , coordB (2, 1, 1,) = {1 (2, 0, −1) + 1 (0, 1, 4) + (−1) (0, 0, 3) ,
2 (2, 0, −1) + 1 (0, 1, 4) + 1 (0, 0, 3)}
= {(2, 0, −4) , (5, 1, 5)}
es base de Im (T ).

Espacio Vectorial

Încărcat de

Informații document

Titlu original

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

Espacio Vectorial

Încărcat de

Drepturi de autor:

Formate disponibile

CAPı́TULO 1

En muchas ramas de la matemática aparecen conjuntos cuyos elementos pueden

La idea de combinación lineal es lo que permite considerar generadores, conjun-

Un concepto fundamental , el de independencia lineal, definido de forma par-

se le utiliza en diversas demostraciones, es una recomendación que hacemos amistosa-

Al desarrollar el concepto de espacio vectorial trataremos de hacer hincapié en

1.1. ESPACIOS VECTORIALES

Vamos a resumir los elementos que consideramos centrales para la estructura de

DEFINICIÓN 1. Un espacio vectorial sobre un cuerpo K o, un K-espacio

1: Un conjunto V no vacio cuyos elementos se llamarán vectores.

cuyo dominio es K × V y cuyo codominio es V ;

S1) Asociativa: Dados u, v, w ∈ V se cumple (u + v) + w = u + (v + w).

OBSERVACIÓN 2. El lector comparará estas propiedades de la definición de

OBSERVACIÓN 3. En P4) la suma de escalares (suma dentro de K) se es-

PROPOSICIÓN 4. En todo espacio vectorial {V, K, +, ·} se cumple:

2: Para cada vector u ∈ V su opuesto −u es único.

(−u)1 = 0 + (−u)1 = [(−u)2 + u] + (−u)1

1.1.1. EJEMPLOS DE ESPACIOS VECTORIALES.

EJEMPLO 8. El conjunto de las n-uplas ordenadas de números complejos V =

EJEMPLO 9. Si K = R, y las operaciones en Cn se definen en forma análoga al

EJEMPLO 10. Consideramos R[x] el conjunto de todos los polinomios en una

EJEMPLO 11. El conjunto de todas las funciones f : [a, b] → R, forma un

EJEMPLO 12. Las sucesiones de números complejos con la suma de sucesiones

EJERCICIO 1. En todos los ejemplos anteriores, verificar que efectivamente

EJEMPLO 13. Sea V el conjunto de sucesiones de números complejos. Si

EJEMPLO 14. Si en un K-espacio consideramos el conjunto {0}, este es un

EJEMPLO 15. El conjunto de los polinomios de grado menor o igual a n,

EJEMPLO 16. El conjunto de los polinomios en una variable x, de grado

EJEMPLO 17. Con las operaciones usuales {R, C, +, ·} no es un espacio vecto-

OBSERVACIÓN 18. Se denota u − v a la suma u + (−v) con u, v ∈ V .

PROPOSICIÓN 19. Para todo u ∈ V se cumple 0 · u = 0.

Demostración. Utilizamos las propiedades del neutro de V , del opuesto, del

PROPOSICIÓN 20. Para todo α ∈ K se cumple α · 0 = 0.

Demostración. Sea u ∈ V un vector cualquiera de entonces

Los dos resultados anteriores se pueden condensar en uno más general.

PROPOSICIÓN 21. Sean α ∈ K, u ∈ V . Entonces se cumple

Demostración. (⇒): Supongamos que α 6= 0, como α · u = 0 utilizando P1 de

PROPOSICIÓN 22. Para todo v ∈ V se cumple (−1) · v = −v.

Demostración. Basta ver que (−1) v es el opuesto de v, es decir

Al estudiar los sistemas lineales fueron introducidos varios subconjuntos de Kn

Vamos a mirar, en un espacio vectorial subconjuntos con estas propiedades para

DEFINICIÓN 23. Sea {V, K, +, ·} un espacio vectorial y W un subconjunto

Cuando un subconjunto W no vacio cumple a) o sea, que sumamos dos elementos

OBSERVACIÓN 24. Si W es un subespacio, entonces 0 ∈ W . Esto es porque,

1.2.1. EJEMPLOS DE SUBESPACIOS VECTORIALES.

EJEMPLO 25. En las sucesiones de números reales (ejemplo 1.7) sea W el

EJEMPLO 26. Sea R[x] el espacio vectorial de los polinomios definido en el

EJEMPLO 28. En el espacio de las n-uplas de complejos (ejemplo 1.8) sea W

EJEMPLO 29. En el ejemplo 1.13 de las sucesiones de números complejos sobre

EJEMPLO 30. En el espacio del ejemplo 1.8 {Cn , C, +, ·} sea W el subconjunto

Este subconjunto W no es un subespacio, porque al sumar dos elementos de W, el

EJERCICIO 4. Fundamente las afirmaciones hechas en el ejemplo anterior.

Veamos que un subespacio vectorial es un espacio metido dentro de otro, no es

TEOREMA 32. Si W es un subespacio de {V, K, +, ·} entonces {W, K, +, ·}

Demostración. Hay que probar que si {V, K, +, ·} es espacio vectorial y W ⊂

Cuando tenemos conjuntos, las operaciones de unión e intersección nos permiten

Demostración. En primer lugar W 6= ∅; en efecto: el vector 0 pertenece a todos

Veamos que para la construcción de un subespacio mayor no podemos proceder

EJERCICIO 5. Dados U y W subespacios de V mostrar que U ∪ W es un

1.3. SUBESPACIO GENERADO E INDEPENDENCIA LINEAL

En esta Sección daremos las definiciones de combinación lineal, dependencia e

DEFINICIÓN 35. Sean V un espacio vectorial {V, K, +, ·}, v1 , v2 , ..., vn vec-

Sea A un subconjunto no vacı́o de V , se indica con [A] al conjunto de todas las