Documente Academic
Documente Profesional
Documente Cultură
ESPACIOS VECTORIALES
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.
1
2 1. ESPACIOS VECTORIALES
+ : 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,
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.
EJERCICIO 2. Estudiar por qué no son espacios vectoriales los últimos dos
ejemplos.
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.
0·u =0·u+0
= 0 · u + (u − u) = (0 · u + 1 · u) − u
= (0 + 1) · u − u
= 1 · u − u = u − u = 0.
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.
α · u = 0 si y sólo si α = 0 y/o u = 0.
1.2. SUBESPACIOS 7
1.2. SUBESPACIOS
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.
EJERCICIO 3. Verifique en cado uno de los ejemplos anteriores que los mismos
son subespacios vectoriales.
W = {(a1 , . . . , an ) ∈ Cn / a1 = 5 + 2i} .
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.
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 .
Por lo tanto debemos buscar otra manera para construir un subespacio mayor
que contenga a los subespacios dados.
Veamos que esta construcción nos permite construir un subespacio que contiene al
conjunto A.
v1 , v2 , ..., vn ; w1 , w2 , ..., wm ∈ A
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 ,
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
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
1.3. SUBESPACIO GENERADO E INDEPENDENCIA LINEAL 15
Análogamente
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.
v = α1 v1 + . . . + αn vn
v = β1 v1 + . . . + βn vn .
0 = (α1 − β1 ) v1 + . . . + (αn − βn ) vn
16 1. ESPACIOS VECTORIALES
En efecto:
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.
Demostración.
{w1 , w2 } es l.i.
{(1, 0, 0, ..., 0) , (0, 1, 0, ..., 0) , (0, 0, 1, ..., 0) , ..., (0, 0, 0, ..., 1)} .
S = {A ∈ Mn×n (R)/ A = AT }
1.5. COORDENADAS 21
EJERCICIO 15. Demuestre cada una de las afirmaciones del ejercicio anterior.
{(1, 0, ..., 0) , (i, 0, ..., 0) , (0, 1, ..., 0) , (0, i, ..., 0) , (0, 0, ..., 1) , (0, 0, ..., i)}
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.
22 1. ESPACIOS VECTORIALES
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.
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.
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.
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
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 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.
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.
26 1. ESPACIOS VECTORIALES
W = {v ∈ V : ∃, v1 ∈ V1 , v2 ∈ V2 , ..., vn ∈ Vn , v = v1 + v2 + ... + vn }
Entonces
u + u′ = (v1 + v1′ ) + (v2 + v2′ ) + . . . + (vn + vn′ ) ,
El ejercicio anterior muestra que no solo los contiene sino que, además es el menor
subespacio que contiene a U y W .
v1 − v1′ = v2 − 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.
B = B1 ∪ B2 ∪ . . . ∪ Bn
es una base de V .
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.
T ( u + v ) = T (u) + T (v).
↑ ↑
en V en W
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.
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.
2.1.2. Ejemplos.
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) .
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
φ−1
B (v) = coordB (v).
34 2. TRANSFORMACIONES LINEALES.
φ−1 n m
D ◦ T ◦ φB : K → K .
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
2.2. MATRIZ ASOCIADA 35
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 .
D (T )B .
Si vamos a las definiciones de los isomorfismos φD y φB vemos que lo que tenemos es:
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:
En otras palabras
a11
a12
a21 a22
coordB (T (v1 )) = .. , coordB (T (v2 )) = .. ,
. .
am1 am2
a1n
a2n
. . . , coordB (T (vn )) = .. .
.
amn
Sustituimos, y obtenemos
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) .
T (1, 0) = (4, 2, 1) ,
T (0, 1) = (−2, 1, 1) .
38 2. TRANSFORMACIONES LINEALES.
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
40 2. TRANSFORMACIONES LINEALES.
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 (2, 0, −1) = 3 (1, 0, 0) + 4 (1, 1, 0) + 3 (1, 1, 1)
= (10, 7, 3) .
(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 )] .
E (T + S)B = E (T )B + E (S)B ,
E (λT )B = λE (T )B .
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.
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 ) .
C (T ◦ S)A = C (T )B B (S)A .
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
y de T −1 ◦ T = idV
B T −1 D
. D (T )B = B (idV )B = Id
Vamos a ver con un ejemplo porque esto puede ayudarnos a simplificar un problema.
Queremos acercarnos al siguiente problema: dados los puntos de R2 ,
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
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:
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.
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 .
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 .
50 2. TRANSFORMACIONES LINEALES.
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 .
!
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
52 2. TRANSFORMACIONES LINEALES.
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
T (α v1 + β v2 ) = α T (v1 ) + β T (v2 )
= α.0 + β .0 =0
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)
2.5. IMAGEN Y NUCLEO DE UNA TRANSFORMACION LINEAL. 53
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 ).
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.
T (v1 ) = T (v2 ) ⇒ v1 = v2 ;
o equivalentemente
v1 6= v2 ⇒ T (v1 ) 6= T (v2 ).
α1 v1 + . . . + αn vn = 0v
Im (T ) = W .
w = α1 T (v1 ) + . . . + αn T (vn ) .
w = T (α1 v1 + . . . . + αn vn ) .
56 2. TRANSFORMACIONES LINEALES.
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.
λ w1 + µ w2 = λT T −1 (w1 ) + µT T −1 (w2 )
= T λT −1 (w1 ) + µT −1 (w2 )
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 ) .
α1 = . . . . = αn = 0.
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 ).
( (
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
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 .
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 .
2.8. NUCLEO E IMAGEN VIA MATRIZ ASOCIADA. 63
x1
! y1 !
.. ..
B (T )A . = . .
xn ym
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)