Professional Documents
Culture Documents
Indice general
1. Matrices 1
1.1. Campos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2. Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.1. Deniciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.2. Operaciones elementales con matrices y el metodo de Gauss-Jordan . . 5
1.2.3. Matrices invertibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2.4. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2. Espacios vectoriales 13
2.1. Espacios y subespacios vectoriales . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.1.1. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2. Dependencia lineal y Bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2.1. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.3. Coordenadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.3.1. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.4. C alculos con matrices escal on reducidas . . . . . . . . . . . . . . . . . . . . . . 27
2.4.1. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3. Transformaciones Lineales 31
3.1. Denici on y Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.1.1. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.2. El espacio vectorial Hom
F
(V, W) . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.2.1. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.3. El teorema de isomorsmos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.3.1. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.4. El espacio dual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
iii
Bibliografa 41
iv
Captulo 1
Matrices
El objetivo de este curso es estudiar dos estructuras algebraicas muy importantes que
utilizar an en casi todas las areas de fsica y matematicas: Los espacios vectoriales y las matrices.
En este primer captulo daremos un repaso r apido a la teora de matrices, que vieron en su
curso de
Algebra Superior, m as adelante, despues de estudiar un poco de espacios vectoriales
retomaremos el tema de las matrices y profundizaremos mas en el.
1.1. Campos
Empezamos estas notas recordando la denicion de campo:
Definici
ITULO 1. MATRICES
C3) Leyes distributivas Para todo a, b, c C
a (b +c) = a b +a c
(a +b) c = a c + b c.
C4) Elementos identidad Existe un elemento de C, denotado 0, que satisface
a + 0 = a = 0 +a a C.
A este elemento se le llama identidad de la adicion, o tambien se le llama cero. Existe
un elemento de C, denotado 1, que satisface
a 1 = a = 1 a, a C
A este elemento se le llama identidad de la multiplicacion o tambien se le llama uno.
C5) Elementos inversos Para todo a C existe un elemento denotado a que satisface
a + (a) = 0 = (a) + a.
A este elemento se le llama inverso aditivo de a. Para todo a C diferente de cero,
existe un elemento denotado a
1
que satisface
a a
1
= 1 = a
1
a.
A este elemento se le llama inverso multiplicativo de a.
NOTA: Un campo es un conjunto con 2 operaciones, es decir una triada (C, +, ) que
satisface TODAS las propiedades anteriores. Recordemos de su curso anterior que el conjunto
de los n umero reales R con sus operaciones de suma y producto satisfacen las condiciones
anteriores, es decir que (R, +, ) es un campo y tambien de su curso anterior que los n umeros
complejos con su suma y producto es un campo, es decir (C, +, ) es campo. Recordemos que
a los elementos de un campo se les suele llamar escalares.
1.1.1. Ejercicios
1. Demuestra que el subconjunto Q R de los n umeros racionales junto con las operaciones
de suma y producto denidas como en los reales, es un campo.
2. Demuestra que el subconjunto N R de los n umeros naturales junto con las operaciones
de suma y producto denidas como en los reales, no es un campo.
1.2. MATRICES 3
3. Demuestra que los n umeros complejos con sus operaciones satisfacen las leyes distribu-
tivas (recuerda utilizar las propiedades distributivas de los n umeros reales).
4. Demuestra que los n umeros complejos tienen inversos aditivos, es decir probar que si
a +bi es cualquier n umero complejo, entonces existe un complejo (c +di) tal que
(a +bi) + (c +di) = 0,
recuerda que el inverso aditivo de a + bi se denota (a +bi).
5. Demuestra que al restringir la adici on y multiplicaci on compleja a los n umeros reales,
estas operaciones coinciden con la suma y producto de los reales.
6. Sea p N un n umero natural mayor a 1, y sea Z
p
los enteros m odulo p, con operaciones
denidas como:
a + b := a + b (mod p) y a b := a b (mod p) a, b Z
p
.
i) Si p N no es un n umero primo, entonces Z
p
no es un campo.
ii) Si p N es un n umero primo, entonces Z
p
es un campo.
1.2. Matrices
Esta seccion est a dedicada a estudiar matrices y operaciones en ellas, como siempre, los
resultados se demostraran en clase o se dejaran como ejercicio. Los ejemplos y las cuentas en
general las haremos solo sobre el campo de n umeros reales o de n umeros complejos, pero todos
los resultados que veremos son ciertos para cualquier campo.
1.2.1. Deniciones
Sea F un campo, le llamaremos matriz a un arreglo de elementos a
ij
1im,1jn
F de
la forma:
_
_
_
_
_
_
_
a
11
a
12
a
13
... a
1n
a
21
a
22
a
23
... a
2n
a
31
a
32
a
33
... a
3n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
m3
... a
mn
_
_
_
_
_
_
_
Notaci on: Diremos que la matriz anterior tiene m renglones y n columnas. Usualmente
se utilizan letras may usculas para designar a las matrices y letras min usculas con 2 subndices
4 CAP
ITULO 1. MATRICES
para designar a los elementos de la matriz, por ejemplo si le llamamos A a la matriz anterior,
entonces a
ij
designa el elemento de la matriz A que est a en el rengl on i y la columna j; otra
manera de designar a la matriz anterior sera como (a
ij
)
1im,1jn
. Al conjunto de matrices
de m renglones y n columnas sobre un campo F, se denota F
mn
.
A las matrices que tienen la misma cantidad de renglones que de columnas se les llama
matrices cuadradas. En una matriz cuadrada a los elementos de la forma a
ii
se les llama
elementos diagonal y al conjunto a
11
, a
22
, a
33
, ..., a
nn
se le llama diagonal (principal). Una matriz
se dice diagonal si todos los elementos fuera de la diagonal son cero; una matriz se dice
triangular superior si todos los elementos por debajo de la diagonal son cero y una matriz
se dice triangular inferior si todos los elementos arriba de la diagonal son cero.
En muchas ocasiones nos ser a util ver los renglones y las columnas de una matriz como
vectores, por ejemplo en la matriz anterior, tenemos n columnas cada una compuesta por m
elementos, es decir en una matriz de F
mn
las columnas se pueden ver como vectores del esp.
vect. F
m
y los renglones se pueden ver como vectores en F
n
.
Ahora dotaremos a las matrices cuadradras F
nn
con operaciones: Sea n un n umero natural
y F un campo, las matrices cuadradas de n n sobre F, denotado F
nn
, denimos la suma y
el producto de matrices como:
_
_
_
_
_
a
11
a
12
... a
1n
a
21
a
22
... a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
... a
nn
_
_
_
_
_
+
_
_
_
_
_
b
11
b
12
... b
1n
b
21
b
22
... b
2n
.
.
.
.
.
.
.
.
.
.
.
.
b
n1
b
n2
... b
nn
_
_
_
_
_
=
_
_
_
_
_
a
11
+b
11
a
12
+ b
12
... a
1n
+b
1n
a
21
+b
12
a
22
+ b
22
... a
2n
+b
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
+b
n1
a
n2
+ b
n2
... a
nn
+b
nn
_
_
_
_
_
_
_
_
_
_
a
11
a
12
... a
1n
a
21
a
22
... a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
... a
nn
_
_
_
_
_
_
_
_
_
_
b
11
b
12
... b
1n
b
21
b
22
... b
2n
.
.
.
.
.
.
.
.
.
.
.
.
b
n1
b
n2
... b
nn
_
_
_
_
_
=
_
_
_
_
_
n
k=1
a
1k
b
k1
n
k=1
a
1k
b
k2
...
n
k=1
a
1k
b
kn
n
k=1
a
2k
b
k1
n
k=1
a
2k
b
k2
...
n
k=1
a
2k
b
kn
.
.
.
.
.
.
.
.
.
.
.
.
n
k=1
a
nk
b
k1
n
k=1
a
nk
b
k2
...
n
k=1
a
nk
b
kn
_
_
_
_
_
estas operaciones podran expresarse de manera m as sencilla como
(a
ij
) + (b
ij
) = (a
ij
+b
ij
) (a
ij
) (b
ij
) = (
n
k=1
a
ik
b
kj
).
Es facil (pero tardado) ver que estas operaciones cumplen con ser cerradas, asociativas y
distributivas, m as a un se puede probar que la suma es conmutativa, tiene inversos aditivos y
una identidad aditiva (la matriz cero).
1.2. MATRICES 5
Le llamaremos matriz identidad de n n a la matriz cuadrada de n n que tiene ceros
fuera de la diagonal y unos en toda la diagonal (es f acil vericar que efectivamente esta es
la identidad multiplicativa de las matrices cuadradas de n n) y la denotaremos por I
nn
.
Tambien es sencillo vericar que el producto de matrices es NO CONMUTATIVO y que existen
elementos que NO TIENEN inversos multiplicativos.
1.2.2. Operaciones elementales con matrices y el metodo de Gauss-
Jordan
Definici
ITULO 1. MATRICES
i) Intercambiar dos renglones.
ii) Multiplicar un renglon por un escalar no cero.
iii) Sumar un rengl on a otro rengl on.
Diremos que una matriz A es equivalente a una matriz B si se puede obtener B al aplicarle
un n umero nito de operaciones elementales a A y se denota A B y tenemos el siguiente
teorema (demostrado en clase).
Teorema 1.2.2 Toda matriz A F
nm
es equivalente a una matriz escalonada reducida.
Al proceso de convertir una matriz arbitraria en una matriz escalonada, se le llama metodo
de Gauss-Jordan.
Ejemplo (del metodo de Gauss-Jordan): Encontrar una matriz escalonada reducida que
sea semejante a la siguiente matriz:
A =
_
_
_
_
1 0 7 0
0 0 3 2
3 3 0 0
1 1 0 1
_
_
_
_
Soluci on del ejemplo:
_
_
_
_
1 0 7 0
0 0 3 2
3 3 0 0
1 1 0 1
_
_
_
_
1
_
_
_
_
3 3 0 0
0 0 3 2
1 0 7 0
1 1 0 1
_
_
_
_
2
_
_
_
_
1 1 0 0
0 0 3 2
1 0 7 0
1 1 0 1
_
_
_
_
3
_
_
_
_
1 1 0 0
1 0 7 0
0 0 3 2
1 1 0 1
_
_
_
_
4
_
_
_
_
1 1 0 0
1 0 7 0
0 0 3 2
0 0 0 1
_
_
_
_
5
_
_
_
_
1 1 0 0
0 1 7 0
0 0 3 2
0 0 0 1
_
_
_
_
6
_
_
_
_
1 1 0 0
0 1 7 0
0 0 1
2
3
0 0 0 1
_
_
_
_
donde:
paso 1) intercambiar los renglones 1 y 3,
paso 2) multiplicar por
1
3
el primer renglon,
1.2. MATRICES 7
paso 3) intercambiar los renglones 2 y 3,
paso 4) restar el primer rengl on al cuarto rengl on,
paso 5) restar el primer rengl on al segundo rengl on.
paso 6) multiplicar el segundo rengl on por 1 y el tercer renglon por
1
3
Ahora veremos que las operaciones elementales realmente son multiplicaciones matriciales:
Si tenemos una matriz de mn
A =
_
_
_
_
_
_
_
a
11
a
12
a
13
... a
1n
a
21
a
22
a
23
... a
2n
a
31
a
32
a
33
... a
3n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
a
m3
... a
mn
_
_
_
_
_
_
_
y Sea E
1
la matriz que resulta de en la matriz identidad I
mm
intercambiar el rengl on k con
el renglon l (con k < l), es decir
E
1
=
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
1 0 0 0 ...
.
.
. 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. 0
0 0 ... 1
k1,k1
0 ... 0
0 0 ... 1
k,l
0 ... 0
0 0 ... 0 1
k+1,k+1
... 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. 0
0 0 ... 1
l1,l1
0 ... 0
0 0 ... 0 1
l,k
... 0
0 0 ... 0 1
l+1,l+1
... 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 ... ... ... 0 1
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
Haciendo una cuenta muy sencilla podemos vericar que la matriz de m n que resulta
de multiplicar E
1
A es exactamente intercambiar los renglones k y l en la matriz A; del mismo
modo, si E
2
es la matriz resultante de multiplicar el renglon k de I
nn
por un escalar ,= 0,
es decir
8 CAP
ITULO 1. MATRICES
E
2
=
_
_
_
_
_
_
_
_
_
_
_
1 0 0 ... 0 0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 ... 1 ... 0 0 0
0 ... 0 ... 0 0
0 ... ... 0 1 ... 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 ... ... ... ... 0 1
_
_
_
_
_
_
_
_
_
_
_
Tenemos que E
2
A es la matriz que resulta de multiplicar el rengl on k de A por el es-
calar ; por ultimo si E
3
es la matriz que resulta de en la matriz identidad I
mm
sumar el
rengl on k al renglon l, tenemos que E
3
A es la matriz que resulta de sumar el rengl on k de
A al rengl on l de A. Todo esto prueba que las operaciones elementales en realidad son
multiplicaciones matriciales, a estas matrices que act uan como operaciones elementales,
les llamaremos matrices elementales.
Como vieron en su curso anterior, el proceso de Gauss-Jordan es muy util para resolver
sistemas de ecuaciones lineales. A continuaci on veremos otra aplicacion de Gauss-Jordan para
obtener inversos multiplicativos de matrices.
1.2.3. Matrices invertibles
Si A es una matriz cuadrada de F
nn
A =
_
_
_
_
_
_
_
a
11
a
12
a
13
... a
1n
a
21
a
22
a
23
... a
2n
a
31
a
32
a
33
... a
3n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
n3
... a
nn
_
_
_
_
_
_
_
Una matriz B F
nn
tal que BA = I se le llama inversa izquierda de A, una matriz
C F
nn
tal que AC = I se le llama inversa derecha de A, si existen B, C tales que BA = AC,
(es decir si A tiene inversas por ambos lados) la matriz A se llama invertible; es sencillo probar
el siguiente resultado:
Lema 1.2.3 Si A tiene una inversa por la izquierda B y una inversa por la derecha C,
entonces B = C.
Los siguientes resultados ser an probados en clase:
1.2. MATRICES 9
Teorema 1.2.4 sean A, B F
nn
i) Si A es invertible, entonces tambien lo es A
1
y (A
1
)
1
= A.
ii) Si A y B son invertibles tambien lo es AB y (AB)
1
= B
1
A
1
; y el producto de matrices
invertibles es invertible.
Teorema 1.2.5 Si A F
nn
, los siguientes enunciados son equivalentes:
i) A es invertible.
ii) A es equivalente a la matriz identidad.
iii) A es producto de matrices elementales.
Lema 1.2.6 Sea A F
nn
, A es invertible si y solo si el sistema AX = 0 solo tiene la
solucion trivial.
Teorema 1.2.7 Si A F
nn
tiene inversa por la derecha o por la izquierda, entonces es
invertible.
Ahora veamos como aplicar el metodo de Gauss-Jordan para calcular inversos: queremos
obtener B F
nn
tal que AB = BA = I
nn
, lo que haremos es lo siquiente, primero nos
construiremos la matriz de n2n llamada A[I
nn
, que resulta de poner A y la identidad I
nn
:
AI
nn
=
_
_
_
_
_
_
_
a
11
a
12
a
13
... a
1n
a
21
a
22
a
23
... a
2n
a
31
a
32
a
33
... a
3n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
n3
... a
nn
1 0 ... ... 0
0 1 ... ... 0
0 0 1 ... 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 ... 0 1
_
_
_
_
_
_
_
luego haremos operaciones elementales a esta matriz de n 2n hasta que logremos que nos
quede la identidad del lado izquierdo, es decir, si logramos encontrar una matriz equivalente a
A[I
nn
de la forma
I
nn
[B =
_
_
_
_
_
_
_
1 0 ... ... 0
0 1 ... ... 0
0 0 1 ... 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 ... 0 1
b
11
b
12
b
13
... b
1n
b
21
b
22
b
23
... b
2n
b
31
b
32
b
33
... b
3n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
b
n1
b
n2
b
n3
... b
nn
_
_
_
_
_
_
_
10 CAP
ITULO 1. MATRICES
tendramos que B es el inverso multiplicativo de A, la razon por la que esto funciona es
porque lo que estamos haciendo es que de el lado izquierdo estamos multiplicandoA por matri-
ces elementales hasta que nos quede la identidad, y del lado derecho estas matrices elementales
las estamos multiplicando por la identidad. Observemos que NO todas las matrices cuadradas
son invertibles, pero si es que una matriz es invertible, entonces con este procedimiento encon-
traremos el inverso.
Haremos un ejemplo de como obtener el inverso de una matriz de 3 3 en R:
Sea
A =
_
_
1 0 3
0 0 1
0 2 1
_
_
entonces
A[I
33
=
_
_
1 0 3
0 0 1
0 2 1
1 0 0
0 1 0
0 0 1
_
_
y entonces
A[I
33
=
_
_
1 0 3
0 0 1
0 2 1
1 0 0
0 1 0
0 0 1
1
_
_
1 0 0
0 0 1
0 2 1
1 3 0
0 1 0
0 0 1
_
_
2
_
_
1 0 0
0 2 1
0 0 1
1 3 0
0 0 1
0 1 0
_
_
3
_
_
1 0 0
0 2 0
0 0 1
1 3 0
0 1 1
0 1 0
_
_
4
_
_
1 0 0
0 1 0
0 0 1
1 3 0
0
1
2
1
2
0 1 0
_
_
donde:
paso 1) el segundo rengl on se multiplico por 3 y esto se sumo al primer rengl on,
paso 2) intercambio del segundo y tercer rengl on,
paso 3) el tercer rengl on se multiplico por 1 y se sum o al segundo renglon,
paso 4) el segundo rengl on se multiplico por
1
2
.
y se puede vericar f acilmente que BA = AB = I
33
es decir
_
_
1 3 0
0
1
2
1
2
0 1 0
_
_
_
_
1 0 3
0 0 1
0 2 1
_
_
=
_
_
1 0 0
0 1 0
0 0 1
_
_
1.2. MATRICES 11
1.2.4. Ejercicios
1. Prueba que las matrices cuadradas sobre un campo, con las operaciones denidas en la
secci on anterior son asociativas y distributivas.
2. Sea
A =
_
_
1 3 0
2 0 0
0 1 1
_
_
B =
_
_
1 5 3
0 4 1
1 2 8
_
_
Calcula lo siguiente:
i) A+B
ii) AB
iii) A
1
iv) B
1
Captulo 2
Espacios vectoriales
Ya hemos escuchado la palabra vector en varios cursos hasta ahora y generalmente se usa
para designar direcciones en un espacio que casi siempre es R
3
, entonces lo que nos interesa
es generalizar nuestra idea de espacio de vectores; quisieramos tener las mismas propiedades
que tiene R
2
y R
3
, para empezar nos interesa poder sumar vectores y tambien nos interesa
poder agrandar o achicar los vectores (es decir poder multiplicarlos por elementos de R), as que
debemos tener al menos dos operaciones; por otro lado, sabemos que R es un campo as que tal
vez nos interese tener vectores en otro campo, como C, Q o inclusive alg un Z
p
. Empezaremos
dando la estructura algebraica de estos espacios y veremos muchos ejemplos en clase.
2.1. Espacios y subespacios vectoriales
Hasta ahora las estructuras que hemos estudiado poseen dos operaciones (suma y multi-
plicaci on) y todas ellas toman dos elementos del mismo conjunto y dan como resultado otro
elemento del mismo tipo, los espacios vectoriales tambien son conjuntos que tienen 2 opera-
ciones, una suma y una operaci on que es llamada producto escalar.
Definici
on 2.1.7 Si S
1
, S
2
, ..., S
k
son subconjuntos de un espacio vectorial V, el conjunto
de todas las sumas de la forma
v
1
+v
2
+... +v
k
con v
i
S
i
es llamado suma de los subconjuntos S
1
, S
2
, ..., S
k
; notemos que si W
1
, W
2
, ...W
k
son subespacios vectoriales de V entonces W
1
+W
2
+... +W
k
es un subespacio vectorial, mas
a un en este caso W
1
+W
2
+ ... + W
k
=<
k
i=1
W
i
>.
2.1.1. Ejercicios
1. Prueba que las funciones diferenciables sobre R son un espacio vectorial real.
2. Prueba que la potencia de un conjunto nito junto con las operaciones denidas en el
ejemplo 6 es un espacio vectorial sobre el campo Z
2
.
3. Sea n N, prueba que R
n
es un espacio vectorial sobre R.
4. Demuestra que en un espacio vectorial, c v = 0 si y s olo si c = 0 o v = 0.
5. Sea C los n umeros complejos y n N un n umero jo; denotamos C[x
1
, x
2
, ..., x
n
] al anillo
de polinomios en n variables con coecientes en C. Sea p(x
1
, x
2
, ..., x
n
) = a
1
x
1
+ a
2
x
2
+
... +a
n
x
n
un polinomio lineal en C[x
1
, x
2
, ..., x
n
], con a
1
,= 0, a
2
,= 0, ..., a
n
,= 0. Denimos
el conjunto
1 := (k
1
, k
2
, ..., k
n
) C
n
[p(k
1
, k
2
, ..., k
n
) = 0;
prueba que 1 es un subespacio vectorial de C
n
(1 son las races del polinomio p)
6. Demuestra que si W
1
, W
2
, ...W
k
son subespacios vectoriales de un espacio vectorial W,
entonces W
1
+W
2
+ ... + W
k
=<
k
i=1
W
i
>
7. Sea V R
n
el subconjunto de vectores cuya primer coordenada es cero, es decir
V := (r
1
, r
2
, ..., r
n
) R
n
[r
1
= 0;
demuestra que V es un subespacio vectorial del R
n
; Sea W R
n
el subconjunto denido
como
W := (r
1
, r
2
, ..., r
n
) R
n
[r
1
= 1 +r
2
;
demuestra que W no es un subespacio vectorial de R
n
para n 2.
18 CAP
ii) f V [f(0) = 1
iii) f V [f(3) = 1 +f(5)
iv) f V [f(1) = 0
v) f V [fcontinua
10. Sean W
1
, W
2
subespacios de un espacio vectorial V , tales que W
1
+W
2
= V y W
1
W
2
=
0, demuestra que todo vector v V se puede escribir de manera unica como v = w
1
+w
2
con w
i
W
i
2.2. Dependencia lineal y Bases
Hemos probado hasta ahora que los R
n
son espacios vectoriales sobre el campo R; y de
hecho esto hace mucho sentido con nuestra idea de dibujar los vectores como echas, tal como
lo vimos en la preparatoria; as que ya dominamos R
2
y R
3
, y podemos intuir que R
2
tiene
dimensi on 2 y que R
3
tiene dimensi on 3; sin embargo, nos gustara de alguna manera
generalizar la idea de dimension a todos los espacios vectoriales, sin importar que tan raros
sean, eso es lo que haremos en esta secci on.
Empezamos dando la denici on de combinaci on lineal:
Definici
es una base de W. Se puede concluir que todo subespacio vectorial de un espacio vectorial de
dimension nita tiene una base.
Notemos que el teorema anterior dice que si V es un espacio vectorial de dimension nita,
entonces cualquier subconjunto de vectores l.i. v
1
, v
2
, ..., v
r
V es parte de una base. Los
siguientes corolarios son muy importantes y extremadamente utiles para hacer calculos de
bases y dimensi on
Corolario 2.2.10 Si v
1
, ..., v
n
son vectores l.i. de un espacio vectorial V de dimension
n, entonces son una base de V .
2.2. DEPENDENCIA LINEAL Y BASES 21
Corolario 2.2.11 Si v
1
, ..., v
n
son vectores de un espacio vectorial V de dimension n,
tales que < v
1
, ..., v
n
>= V , entonces son base de V .
Corolario 2.2.12 Si V espacio de dimension nita y W V subespacio vectorial, en-
tonces dim(W) dim(V ); mas a un si W V es un subespacio vectorial de V y dim(W) =
dim(V ) entonces W = V .
Teorema 2.2.13 Si W
1
, W
2
son subespacios de dimension nita de un espacio vectorial
V , entonces W
1
+ W
2
es de dimension nita y
dim(W
1
) + dim(W
2
) = dim(W
1
W
2
) + dim(W
1
+ W
2
).
2.2.1. Ejercicios
1. Sea V = R
3
i) Demuestra que el vector (1, 0, 1) es una combinacion lineal de los vectores (1, 1, 0) y
(0,
3
2
,
3
2
).
ii) Demuestra que el vector (0, 0, 6) NO es combinaci on lineal de los vectores (8, 0, 8) y
(0, 2, 1).
iii) Demuestra que cualesquiera 3 vectores de R
2
son l.d.
2. Demuestra que en R
n
cualquier conjunto de m as de n vectores es l.d.
3. Encuentra una base para el espacio vectorial de polinomios sobre R, es decir V = R[x].
4. Calcula la dimensi on del espacio vectorial dado en el ejemplo 5.
5. Decide cuales de los siguientes conjuntos son bases de R
3
:
i) (1, 0, 0), (0, 1, 1), (0, 0, 1);
ii) (0, 0, 1), (0, 8, 9), (1, 1, 7);
iii) (4, 1, 2), (1, 2, 1), (0, 0, 1).
6. Sea v
1
= (a, b) y v
2
= (c, d) vectores de R
2
, demuestra que v
1
, v
2
son l.i. si y solo si
ad bc ,= 0.
7. Demuestra que F
nm
es un espacio vectorial de simensi on nita y que tiene dimensi on
nm.
22 CAP
_
a
1
a
2
.
.
.
a
n
_
_
2.3. COORDENADAS 25
en vez de la n-ada (a
1
, ..., a
n
) que representa a v en F
n
y a la matriz anterior la denotaremos
[v]
B
(es decir este smbolo signica: la matriz de coordenadas del vector v respecto a la base
ordenada B).
Ahora veamos que sucede cuando cambiamos de una base ordenada a otra: Sea V espacio
vectorial de dimension nita n y sean
B = v
1
, ..., v
n
= w
1
, ..., w
n
n
i=1
a
ij
v
i
; sea v V un vector, y denotemos
(x
1
, ..., x
n
) sus coordenadas en la base ordenada B y (y
1
, ..., y
n
) sus coordenadas en la base
ordenada B
j=1
y
j
w
j
=
n
j=1
y
j
(
n
i=1
a
ij
v
i
)
=
n
j=1
n
i=1
a
ij
y
j
v
i
=
n
i=1
n
j=1
a
ij
y
j
v
i
=
n
i=1
(
n
j=1
a
ij
y
j
)v
i
por lo que en [v]
B
se tiene x
i
=
n
j=1
a
ij
y
j
(debido a la unicidad de las coordenadas); si
A F
nn
es la matriz denida por los escalares a
ij
entonces podemos escribir esto ultimo
como:
[v]
B
= A[v]
B
ii) [v]
B
= A
1
[v]
B
para todo v V ; mas a un la columna j de A es exactamente [w
j
]
B
donde B
= w
1
, ..., w
n
.
demostraremos en clase el siguiente resultado:
Teorema 2.3.3 Sea A F
nn
una matriz invertible, sea V un espacio vectorial de di-
mension n sobre el campo F y sea B una base ordenada de V ; entonces existe una unica base
ordenada B
de V , tal que:
i) [v]
B
= A[v]
B
ii) [v]
B
= A
1
[v]
B
para todo v V .
2.3.1. Ejercicios
1. Demostrar que los vectores
v
1
= (1, 1, 0, 0)
v
2
= (0, 0, 1, 1)
v
3
= (1, 0, 0, 4)
v
4
= (0, 0, 0, 2)
son una base de R
4
; sea e
1
, e
2
, e
3
, e
4
la base can onica de R
4
encontrar la matriz de
coordenadas de cada vector de la base can onica con respecto a la base ordenada B =
v
1
, v
2
, v
3
, v
4
(es decir encontrar [e
i
]
B
para i = 1, 2, 3, 4).
2. Sea W el subespacio de C
3
generado por los vectores w
1
= (1, 0, i), w
2
= (1 +i, 1, 1)
i) Demostrar que w
1
, w
2
son una base de W.
ii) Demostrar que los vectores v
1
= (1, 1, 0), v
2
= (1, i, 1 + i) pertenecen a W y forman
otra base de W.
iii) Calcula [w
1
]
B
y [w
2
]
B
donde B = v
1
, v
2
.
3. Sea V el espacio vectorial sobre C de todas las funciones f : R C y sean f
1
(x) =
1, f
2
(x) = e
ix
, f
3
(x) = e
ix
.
2.4. C
ON REDUCIDAS 27
i) Demostrar que f
1
, f
2
, f
3
son l.i.
ii) Sea g
1
(x) = 1, g
2
(x) = cos(x), g
3
(x) = sen(x), hallar una matriz invertible A =
(a
ij
) C
33
tal que g
j
= a
1j
f
1
+a
2j
f
2
+a
3j
f
3
.
4. Sea V el espacio vectorial sobre R de todos los polinomios con coecientes reales en una
inc ognita, de grado menor o igual que 2, es decir V = f(x) R[x][grad(f) 2; sea
t R un n umero real jo y denamos g
1
(x) = 1, g
2
(x) = x+t, g
3
(x) = (x+t)
2
, demostrar
que B = g
1
, g
2
, g
3
es una base de V . Si f(x) = a + bx + cx
2
V , encontrar [f]
B
2.4. Calculos con matrices escalon reducidas
En esta secci on relacionaremos algunos calculos de dimension y bases con los resultados
que conocemos de matrices escalon reducidas y matrices equivalentes, todos los resultados de
esta secci on ser an muy sencillos, pero mas adelante ver an como estos resultados les seran de
mucha ayuda para hacer calculos de dimensiones y subespacios. En esta seccion le llamaremos
matriz escal on reducida por las a una matriz que es escalonada reducida y que ademas
satisface que cada columna que contiene al primer elemento no nulo de alg un rengl on, tiene
todos sus otros elementos de la columna iguales a cero; por ejemplo de las siguientes matrices
A =
_
_
_
_
1 0 5 0
0 1 0 18
0 0 1 1
0 0 0 1
_
_
_
_
B =
_
_
1 0 8
0 1 0
0 0 0
_
_
la matriz A NO es escal on reducida por las y la matriz B si es escal on reducida por las.
Empezamos deniendo el rango de una matriz:
Definici
on 2.4.1 Sea A F
nm
una matriz, denimos rango de la matriz A como la
dimension del subespacio de F
m
generado por sus n vectores la, y a este n umero lo denotamos
rank(A)
Teorema 2.4.2 Si A es equivalente a una matriz B entonces rank(A) = rank(B). Mas
a un si A B entonces el subespacio vectorial generado por los vectores la de A es igual al
subespacio generado por los vectores las de V .
Proposici
on 2.4.3 Si A es una matriz escalonada reducida por las (no nula), entonces
sus vectores renglon no nulos forman una base para el subespacio generado por los vectores
renglon de A; por lo tanto, si A es una matriz escalon reducida por las, entonces el n umero
de vectores renglon no cero es su rango.
28 CAP
ON REDUCIDAS 29
v V es un vector y tiene coordenadas (c
1
, ..., c
n
) respecto de la base ordenada B, entonces
nuestro problema de ver si v < v
1
, ..., v
n
> se convirti o en intentar ver si (c
1
, ..., c
n
) es una
combinaci on lineal de los w
i
y esto es muy sencillo de checar (haremos muchos ejemplos en
clase para que quede claro).
2.4.1. Ejercicios
Captulo 3
Transformaciones Lineales
Esta secci on esta dedicada a estudiar las funciones entre espacios vectoriales; queremos
estudiar las funciones entre ellos para poder tener una manera de comparar espacios vec-
toriales; por ejemplo en el caso de conjuntos, podemos decir que 2 conjuntos son iguales si
existe una biyecci on entre ellos, para el caso de espacios vectoriales tenemos conjuntos con dos
operaciones que son la suma y el producto escalar, quisieramos tener una funci on entre los con-
juntos que de cierta manera preserve la suma y el producto escalar, todo este razonamiento
dar a lugar a la denicion de transformaci on lineal; el estudio de los espacios vectoriales y las
transformaciones lineales entre ellos es en esencia lo que estudia el algebra lineal.
3.1. Denici on y Ejemplos
Empezamos con la denici on de transformaci on lineal:
Definici
ON Y EJEMPLOS 33
El conjunto Nulidad de T, tambien llamado Kernel de T, denotado Ker(T) como
Ker(T) = v V [T(v) = 0
W
on 3.1.5 Si A F
nm
entonces su rango de las es igual al rango de columnas;
a este n umero se le llama el rango de la matriz A y se denota rank(A)
De hecho se puede probar que si A F
nm
y T
A
: F
m1
F
n1
la transformacion lineal
dada por T(v) = Av, entonces rank(T
A
) = rank(A) donde el rango del lado izquierdo de la
igualdad se reere a la dimensi on del subespacio imagen de la transformacion T
A
y del lado
derecho se reere al rango de la matriz A
34 CAP
y se denota
[T]
B,B
.
Teorema 3.3.8 Sean V, W espacios vectoriales de dimension n y m respectivamente, para
cada par (B, B
, B
,B
[T]
B,B
;
donde la operacion del lado derecho es el producto de matrices.
Teorema 3.3.10 Sea V un espacio vectorial de dimension nita n sobre el campo F y
sean B = v
1
, ...., v
n
y B
= w
1
, ..., w
n
bases ordenadas de V y sea T End(V ); si P F
nn
es la matriz cuya i-esima columna es el vector [w
i
]
B
entonces:
[T]
B
= P
1
[T]
B
P;
38 CAP
on 3.3.11 Sean A, B F
nn
, A y B se dicen semejantes si existe una matriz
invertible P F
nn
tal que A = P
1
BP.
Notemos que el teorema anterior nos dice que las matrices [T]
B
y [T]
B
son semejantes
para cualesquiera B, B
= v
1
= (1, i), v
2
= (0, i), encuentra las siguientes
matrices de coordenadas:
i) [T]
B
;
ii) [T]
B
;
iii) [T]
B,B
;
iv) [T]
B
,B
;
v) [T]
B
donde B
= v
2
, v
1
.
6. Sea T Hom
R
(R
3
, R
3
) la transformaci on denida por T(x
1
, x
2
, x
3
) = (x
1
x
2
, x
2
+x
3
);
i) sea B la base can onica de R
3
y B
= w
1
= (0, 1), w
2
=
(1, 0) demuestra que estas son bases de R
3
y R
2
respectivamente y calcula [T]
B,B
.
7. Sea T End
R
(R
3
) el endomorsmo cuya matriz de coordenadas en la base canonica de
R
3
es
_
_
1 0 1
0 2 1
1 1 1
_
_
demuestra que T es un isomorsmo.
8. Sea T End
R
(R
3
) el endomorsmo cuya matriz de coordenadas en la base canonica de
R
3
es
_
_
1 2 1
0 1 1
1 3 4
_
_
i) Encuentra una base de la imagen de T;
ii) Encuentra una base del Kernel de T:
9. Demuestra que una transformacion T End
F
(V ) es un isomorsmo si y s olo si para
toda B base ordenada de V , la matriz [T]
B
es invertible.
10. Sea V un espacio vectorial de dimensi on nita n sobre un campo F y sea W = Hom
F
(V, F)
encuentra un isomorsmo entre V y W; sea B = v
1
, ..., v
n
una base de V , demuestra
que existe una unica base B
= f
1
, ..., f
n
de W tal que f
i
(v
j
) =
ij
(donde
ij
es la
funci on delta de Kronecker)
3.4. El espacio dual
En esta seccion estudiaremos el espacio Hom
F
(V, F) donde V es un espacio vectorial sobre
el campo F.
Definici
, si B = v
1
, ..., v
n
es una base
de V entonces para cada i = 1, ..., n tenemos una unica transformaci on lineal f
i
V
tal que
f
i
(v
j
) =
ij
, estas f
1
, ...f
n
V
, a esta base se le
llama la base dual de B.
40 CAP
= f
1
, ..., f
n
de V
tal que
f
i
(v
j
) =
ij
(donde
ij
es la funcion delta de Kronecker); para cada f V
se tiene
f =
n
i=1
f(v
1
)f
i
;
y para cada v V se tiene que
v =
n
i=1
f
i
(v)v
i
.
Definici
, denotado S
0
:
S
0
= f V
[f(s) = 0 s S.
Teorema 3.4.4 Sea V un espacio vectorial de dimension nita sobre el campo F y sea W
un subespacio de V , entonces
dim(W) + dim(W
0
) = dim(V ).
Si V es un espacio vectorial de dimension n sobre un campo F, a un subespacio W V
tal que dim(W) = n 1 se le llama hiperespacio.
Corolario 3.4.5 Si W es un subespacio de dimension k de un espacio vectorial de di-
mension n, entonces W es la interseccion de (n k) hiperespacios de V .
3.4.1. Ejercicios
Bibliografa
[1] E. Swokowski:
Algebra Universitaria. CONTINENTAL, septima impresi on (1975).
[2] G. Birkoh, S. Mac Lane:
Algebra Moderna.VICENS-VIVES, cuarta edici on (1970).
[3] H. C ardenas, F. Raggi:
Algebra Superior. TRILLAS segunda edici on (reimp. 2007).
[4] F. G. Florey: Fundamentos de
Algebra Lineal y aplicaciones. PRENTICE HALL.
[5] K. Homan, R. Kunze:
Algebra Lineal. PRENTICE HALL (1973).
[6] I. N. Herstein:
Algebra Moderna. TRILLAS, cuarta reimpresi on (2002).
41