INSTITUTO TECNOLGICO

DE MRIDA
DEPARTAMENTO DE
INGENIERA ELCTRICA Y
ELECTRNICA

INGENIERA ELECTRNICA

MATERIA:

ALGEBRA LINEAL

GRUPO:

3EM

INVESTIGACIN FINAL:

ESPACIOS VECTORIALES
TRANSFORMACIONES LINEALES
ALUMNO:

HERNANDEZ CASTRO JUAN DANIEL

PROFESOR:

M.C. ROGER A. GAMBOA SALAZAR

pg. 1

FECHA: 4 DE MAYO DE 2015

pg. 2

UNIDAD 4
ESPACIOS VECTORIALES
La idea de vector est tomada de la Fsica, donde sirven para representar
magnitudes vectoriales como fuerzas, velocidades o aceleraciones. Para ello
se emplean vectores de dos componentes en el plano, de tres componentes
en el espacio...
Se supone conocida la representacin grfica y manejo de los vectores de 2
y de 3.
En Matemticas, tratamos de abstraer las propiedades que caracterizan a los
vectores para extenderlas tambin a otro tipo de objetos diferentes de los
vectores de la Fsica. Esencialmente, el comportamiento que caracteriza a los
vectores es el siguiente:
Podemos sumar dos vectores y obtenemos otro vector;
Podemos multiplicar un vector por un nmero (escalar) y obtenemos
otro vector.
Adems estas operaciones cumplen ciertas propiedades, que observamos en
los vectores de 2 y de 3 :
En lo sucesivo, utilizaremos habitualmente la siguiente notacin: u,v,w (u otras
letras latinas) para vectores, mientras que las letras griegas designarn
escalares.
Propiedades de la suma de vectores.
Asociativa: (u+v)+w = u+(v+w)
Conmutativa: v+u=u+v. K
K
Existe un elemento neutro, el vector 0 , tal que 0+ v = v para cualquier
vector v.K
Para cada vector v existe un elemento opuesto, v, que sumado con l da 0
.
Propiedades del producto de un vector por un escalar.
Asociativa: ( v) = ( ) v
Distributivas:
pg. 3

Respecto de la suma de escalares: ( + ) v = v +

v Respecto de la suma de vectores: (u + v) = u
+ v
Existe un elemento unidad: el escalar 1, tal que 1 v = v para cualquier
vector v.

pg. 4

4.1Definicin: espacio vectorial.

Cualquier conjunto que posea unas operaciones suma y producto por
escalares, cumpliendo todas las propiedades anteriores, diremos que es un
espacio vectorial. Los elementos de tal conjunto se llamarn vectores (aunque
pueda tratarse de objetos diferentes a los vectores de la Fsica.)
Diremos que el espacio vectorial es real o complejo, segn sean los
escalares.
Otras propiedades de los espacios vectoriales pueden deducirse de las
anteriores propiedades bsicas. Por ejemplo: K K
Si v = 0 ( escalar, v vector) entonces o bien es =0 o bien es v = 0 .

Ejemplos de espacios
vectoriales.
n
1) El espacio ,
formado por los vectores
de n componentes (x1, . . .,xn) es un espacio vectorial real, en el que se
pueden sumar vectores y multiplicar por un escalar (real) de la forma
habitual.
Se puede comprobar que se cumplen las propiedades requeridas para ambas
operaciones. El vector cero es (0,. . .,0).
No es un espacio vectorial complejo, pues no podemos multiplicar por
escalares complejos (si lo hacemos, el resultado no se mantendr dentro de
n ).
2) Consideremos el conjunto P2 de los polinomios de grado 2 con
coeficientes reales:
P2 ={ ax2 + bx + c : a, b, c }

pg. 5

Es un espacio vectorial real, pues podemos sumar dos elementos de P2 y

obtenemos otro elemento de P2 ; tambin podemos multiplicar un elemento de
P2 por un escalar real y obtenemos otro elemento de P2. Vemoslo:
Suma: ( ax2 + bx + c ) + ( ax2 + bx + c ) = (a+a) x2 + (b+b) x + (c+c) que
pertenece a P2.
Producto por un escalar real: , (ax + bx + c) = ax2 + bx + c que
pertenece a P2.
K
Se puede comprobar que se cumplen las propiedades requeridas. El vector 0
es el polinomio cero: 0x2 + 0x + 0
No es un espacio vectorial complejo, pues al multiplicar por un escalar
complejo el resultado podr ser un polinomio complejo que no pertenece a P2.
3) Consideremos el conjunto G de los polinomios de grado = 3 (exactamente 3)
con coeficientes reales.
No es un espacio vectorial (real ni complejo), pues al sumar dos elementos
de G, no est garantizado que el resultado est en G. En efecto, consideremos
los polinomios p = x3+x2+x+1 , q = x3+x2+x+1
Pertenecen a G, pues su grado es 3. Pero su suma es p+q = 2x 2+2x+2 que no
pertenece a G (su grado no es 3).
Es un espacio vectorial real, pues podemos sumar dos matrices de M2x2
obteniendo otra matriz de M2x2 , y multiplicar una matriz de M2x2 por un escalar
real obteniendo otra matriz de M2x2. Se puede comprobar que se cumplen las
propiedades. El vector 0K es, en este caso, la matriz con todos sus trminos
nulos.
No es un espacio vectorial complejo.
En algunos espacios vectoriales reales, distintos de n , puede hacerse un
paralelismo o identificacin con n , para un n adecuado.
Por ejemplo, ya hemos visto cmo el espacio vectorial real C de los nmeros
complejos puede identificarse con 2 , correspondiendo el nmero complejo
a+bi al vector (a,b)
pg. 6

Veamos cmo el espacio P2 = { polinomios de grado 2 } puede identificarse

con 3 : cada polinomio ax2+bx+c correspondera al vector (a,b,c) de 3.
En todos los casos las operaciones de suma y producto por escalar se pueden
trasladar paralelamente del espacio considerado a n.
Esto hace posible efectuar las operaciones en n en lugar de otros espacios.

pg. 7

4.2 SUBESPACIOS VECTORIALES

Dado un espacio vectorial V, podemos considerar una parte S de l que
funcione como un espacio vectorial ms pequeo, incluido en V.
Como V es un espacio vectorial, posee unas operaciones (suma, producto por
un escalar) que en particular se pueden efectuar en S. Slo necesitaremos
que, al efectuarlas, su resultado quede dentro de S.
Definicin:
Dado un espacio vectorial V, se dice que un subconjunto S de V es un
subespacio vectorial si contiene al vector 0 , y si al efectuar las operaciones de
suma y producto por escalar entre vectores de S, el resultado permanece en
S.
(Se puede decir que S es cerrado para las operaciones suma y producto
por escalar.) Es decir:
0S.
Si v, w S entonces v + w S.
Si v S y es un escalar, entonces v S.
Ya no hace falta comprobar que se cumplen las propiedades asociativa,
conmutativa, etc. puesto que sabemos que se cumplen en V, y por tanto
tambin en S (se dice que S hereda las propiedades de las operaciones en
V).
Por supuesto si para V utilizamos escalares reales, tambin para S; si para V
utilizamos complejos, tambin para S.
Ejemplos
1) La recta x=y es un subespacio de 2. Est formado por los vectores de la
forma (a,a).
Contiene al vector (0,0).
Adems, es cerrado para la suma y producto por escalar:
Suma: (a,a) + (b,b) = (a+b, a+b) que tambin es un elemento de la recta.
pg. 8

 Producto por un escalar: ,

elemento de la recta.

(a,a) = (a, a) que tambin es un

2) El plano XY es un subespacio de 3. Est formado por los vectores de la

forma (x,y,0).
Contiene al vector (0,0,0).
Adems, es cerrado para la suma y producto por escalar:
Suma: (x,y,0) + (x,y,0) = (x+x, y+y, 0) que tambin es un elemento del
plano.
Producto por un escalar: , (x,y,0)=(x, y, 0) que tambin es un
elemento del plano.
Podemos decir que este plano es como 2 pero incluido en .3
3) Es un subespacio de 2 el conjunto de los vectores de la forma (a,1)?
No, puesto que no contiene al (0,0).
O tambin: porque no se puede sumar dentro de este conjunto, por ejemplo
(a,1)+(b,1)=(a+b,2) que no pertenece al conjunto.
Descripcin de los subespacios de Rn.
Los subespacios de n pueden describirse de dos formas: implcita y
paramtrica.
Forma implcita: Mediante ecuaciones. Los vectores que verifiquen las
ecuaciones son los que pertenecen al subespacio.
Forma paramtrica: Mediante una expresin con parmetros, los cuales al
tomar distintos valores producen todos los vectores del subespacio.
Para pasar de una a otra forma:
De la forma implcita a la paramtrica: Basta considerar las ecuaciones
implcitas como un sistema, y resolverlo. La solucin general del sistema (que
podr depender de parmetros) es la expresin paramtrica.
pg. 9

 De la forma paramtrica a la implcita: Podemos decir, aunque no es un

mtodo riguroso, que se trata de describir mediante ecuaciones cmo es el
vector genrico del subespacio. Ayudar el conocer qu nmero de
ecuaciones es necesario (lo que se ver ms adelante).
Ejemplos
1) En 2 , la recta bisectriz del primer cuadrante puede describirse en
implcitas como { y=x }, y en paramtricas como { (,) : }
2) En 3, dado el subespacio en paramtricas { (, , ) : , }, su
forma implcita es la ecuacin { z=xy } .
Relacin entre la forma implcita y paramtrica.
Si S es un subespacio de n, la forma implcita y paramtrica de S satisfacen
en general la siguiente relacin:
N de ecuaciones implcitas + N de parmetros = n.
(n es el n de incgnitas).
Comprobar esta relacin en los ejemplos anteriores.
Sin embargo para que esto sea cierto debe cumplirse que las ecuaciones
implcitas sean independientes entre s, es decir, que ninguna sea combinacin
lineal de otras. Esto significa que, considerando las ecuaciones como un
sistema, no sobre ninguna ecuacin: es decir, que la matriz de coeficientes
tenga rango igual al nmero de ecuaciones.
Tambin los parmetros deben ser independientes entre s: por ejemplo en la
expresin paramtrica (+, +, 0), que en 3 corresponde a la forma
implcita {x=y , z=0}, no se cumple la relacin anterior: 2+2 3. Esto ocurre
porque los dos dos parmetros no son independientes. En realidad puede
sustituirse + por un solo parmetro y as tendramos (, , 0) y ya se
cumple 2+1=3.

pg. 10

(Esto ser ms fcil de comprobar ms adelante, en el punto Bases y

dimensin, pues el nmero de parmetros independientes es igual a la
dimensin del subespacio).
Inclusin de subespacios.
Dados dos subespacios A y B, puede ocurrir que uno est incluido en otro (una
recta dentro de un plano, por ejemplo).
Se dice que A est contenido o incluido en B (y se denota A B) si todos los
elementos de A estn tambin en B.
En cualquier espacio vectorial V, el subespacio {0 } est contenido en todos los
dems subespacios; mientras que todos ellos estn contenidos en el total V.
Veamos cmo reconocer si un subespacio est incluido en otro:
- En forma implcita: Si las ecuaciones de B estn incluidas en las de A,
entonces A B. (Cuantas ms ecuaciones implcitas, ms pequeo es el
subespacio).
- En forma paramtrica: Para ver si A B, tendremos que ver si todo vector
genrico de A, est en B.
Ejemplo
- En 3, sean los siguientes subespacios dados en paramtricas:
A= { (,0,0) : }

b= { (,0,) : , }

Tenemos que A B , pues todo vector de la forma (,0,0) tambin es de la

forma (,0,), tomando =0.
OPERACIONES CON SUBESPACIOS
A partir de dos subespacios podemos construir otro efectuando las
operaciones de suma o interseccin de subespacios.
Interseccin de subespacios.
pg. 11

La interseccin, indicada por el smbolo , puede

aplicarse a conjuntos cualesquiera, no slo a espacios
vectoriales. Consiste en encontrar los elementos comunes
a dos conjuntos.

S
ST

Por ejemplo, la interseccin de dos planos en 3 podr ser una recta.

Notar que dados dos subespacios cualesquiera, siempre hay vectores
comunes a ambos.
Teorema
La interseccin de subespacios es un subespacio.
En efecto, es posible sumar vectores dentro de ST , pues por ser S y T
subespacios, la suma debe permanecer dentro de S y dentro de T, y por tanto
dentro de ST. Lo mismo para el producto por escalares.
Clculo de la interseccin.
La forma ms sencilla (aunque no la nica) de calcular ST es utilizar la

expresin implcita de S y de T.
sistema con todas ellas).
Este sistema, si es sencillo, puede considerarse ya como la forma implcita
de ST.
En todo caso, resolviendo este sistema obtenemos la forma paramtrica de
ST.

pg. 12

Suma de subespacios.
Dados dos subespacios S, T se define el subespacio suma como: S+T = {
u + v : u S , v T } es decir, aquellos vectores que podamos construir
sumando un vector de S y uno de T.
Teorema
La suma de subespacios es un subespacio.
Clculo del subespacio suma.
Al contrario que la interseccin, la suma S+T se calcula ms fcilmente usando
la forma paramtrica de S y de T. Esto nos permite tomar un vector genrico
de cada uno de los subespacios y sumarlos, obtenindose una expresin
paramtrica de S+T.
No obstante la forma paramtrica as obtenida puede tener parmetros no
independientes. Ms adelante, en el punto Sistemas generadores se dar
otro mtodo para calcular el subespacio suma.
4.3
Dependencia e independencia lineal
4.3 Combinacin lineal. Independencia lineal.
COMBINACIN LINEAL
Sean v1, v2, , vn, vectores en un espacio vectorial V. entonces cualquier
vector de la forma: a1v1+a2v2++anvn, donde a1,a2,,an son escalares se
denomina una combinacin lineal de v1, v2,,vn.
Una combinacin lineal en M23

pg. 13

Conjunto generador.
Se dice que los vectores v1, v2, , vn de un espacio vectorial V generan a V si
todo vector en V se puede escribir como una combinacin lineal de los mismo.
Es decir, para todo vV, existen escalares a1, a2, , an tales que
v=a1v1+a2v2++anvn
Cuatro vectores que generan a M22

Espacio generado por un conjunto de vectores.

Sean v, v2, , vk, k vectores de un espacio vectorial V. el espacio generado
por {v1, v2, , vk} es el conjunto de combinaciones lineales v1, v2, , vk. Es
decir
escalares arbitrarios.

donde a1, a2, , ak, son

Teorema: si v1, v2, , vk son vectores en un espacio vectorial V, entonces

gen{v1, v2, , vk} es un subespacio de V.
Ejemplo: el espacio generado por dos vectores en R3
Sea v1=(2,-1,4) y v2=(4,1,6). Entonces H=gen{v1, v2}={v:v=a1(2,1,4)+a2(4,1,6)}. Cul es la apariencia de H? si v=(x, y,z)H, entonces tiene
x=2a1+4a 2, y=-a1+a2 y z=4a 1+6 2. Si se piensa que (x, y, z) esta fijo,
entonces estas ecuaciones se pueden ver como un sistema de tres ecuaciones
con tres incognitas a1, a2. Este sistema se resuelve en la forma usual:

pg. 14

INDEPENDENCIA LINEAL
En el estudio del algebra lineal, una de las ideas centrales es la de
dependencia o independencia lineal de los vectores. En esta seccin se define
el significado de independencia lineal y se muestra su relacin con la teora de
sistemas homogneos de ecuaciones y determinantes.

Existe una relacin espacial entre los vectores

, se
puede apreciar que v2=2v1; o si se escribe esta ecuacin de otra manera. 2v1v2=0.
En otras palabras, el vector cero se puede escribir como una combinacin no
trivial de v1 y v2 (es decir, donde los coeficientes en la combinacin lineal no
son ambos cero). Qu tienen de especial los

vectores
? La respuesta a esta pregunta
es ms difcil a simple vista. Sin embargo, es sencillo verificar que v3=3v1+2v2;
rescribiendo esto se obtiene

Se ha escrito el vector cero como una combinacin lineal de v1, v2, y v3.
Parece que los dos vectores de la ecuacin y los tres vectores de la otra
ecuacin tienen una relacin ms cercana que un par arbitrario de 2-vectores a
pg. 15

una terna arbitraria de 3-vectores. En cada caso, se dice que los vectores son
linealmente dependientes. En trminos generales, se tiene la importante
definicin a continuacin presentada.
Definicin: sean v1, v2, , vn vectores en un espacio vectorial V. entonces se
dice que lois vectores son linealmente dependientes si existen n escalares c1,
c2, , cn no todos ceros tales que

Si los vectores no son linealmente dependientes, se dice que son linealmente

independientes.
Para decirlo de otra forma, v1, v2, .., vn son linealmente independientes si la
ecuacin c1v1+c2v2++cnvn=0 se cumple nicamente para c1=c2==cn=0.
Son linealmente dependientes si el vector cero en V se puede expresar como
una combinacin lienal de v1, v2,,vn con coeficientes no todos iguales a
cero.
Nota. Se dice que los vectores v1, v2, , vn son linealmente independientes (o
dependientes), o que el conjunto de vectores {v1, v2, , vn} es linealmente
independiente (o pendiente). Esto es, se usan las dos frases indistintivamente.
Teorema:dependencia e independencia lineal
Dos vectores en un espacio vectorial son linealmente dependientes si y solo si
uno de ellos es un mltiplo escalar del otro.
Demostracin: primero suponga que v2=cv1 para elgun escalar c0. Entonces
cv1-v2=0 y v1 y v2 son linealmente dependientes. Por otro parte, suponga que
v1 y v2 son linealmente dependientes. Entonces existen constantes c1 y c2 al
menos uno distinto a cero, tales que c1v1+c2v2=0. Si c10, entonces

dividiendo entre c1 se obtiene v1+(c2/c1)v2=0, o sea,

Es decir, v1 es un mltiplo escalar de v2. Si c1=0, entonces c20 y, por lo tanto,
v2=0=0v1.
pg. 16

4.4
Base y dimensin
Se llama base de un espacio (o subespacio) vectorial a un sistema
generador de dicho espacio o subespacio, que sea a la vez linealmente
independiente.
Propiedades de las bases.
1. Una base de S es un sistema generador minimal de S (lo ms pequeo
posible).
2. Adems es un conjunto independiente maximal dentro de S (lo ms
grande posible).
3. Una base de S permite expresar todos los vectores de S como
combinacin lineal de ella, de manera nica para cada vector.
Ejemplos de bases.
1. La base cannica (o base natural, o base
estndar) de n: e1 = (1,0,. . . ,0) e2 =
(0,1,. . . ,0)
........
en = (0,0,. . . ,1)
- Son linealmente independientes porque forman un determinante no nulo.
- Son sistema generador de n porque todo vector (a1,a2,. . . ,an) n se
puede expresar como combinacin lineal de ellos:
(a1,a2,. . . ,an)= a1(1,0,. . . ,0)+ a2(0,1,. . . ,0)+ . . . + an(0,0,. . . ,1)
Teorema y definicin: Dimensin
.
Todas las bases de un mismo espacio o subespacio tienen el mismo
nmero de vectores. Se llama dimensin de dicho espacio o subespacio.

pg. 17

 Por tanto, la dimensin es el mximo nmero de vectores independientes

que podemos tener en el espacio o subespacio. En otras palabras, es el
mximo rango que puede tener un conjunto de vectores de dicho espacio.
Es tambin el rango de cualquier sistema generador de dicho espacio.
Ejemplos de dimensin.
1. n tiene dimensin n, pues tiene una base de n elementos (p.ej. la
cannica).
2. P2= {polinomios de grado2 con coeficientes reales} tiene dimensin 3.
Una base de P2 es, por ejemplo, la formada por los tres polinomios
siguientes:
1+0x+0x2 , 0+x+0x2, 0+0x+x2

(es decir, los polinomios 1, x, x2).

Otra base: 1+2x+3x2, 4+x2, 3x5x2.

Propiedades de la dimensin.
1. Significado fsico de la dimensin: el espacio tiene dimensin 3, los
planos dimensin 2, las rectas dimensin 1, el punto dimensin 0. El
subespacio {0} es el nico de dimensin 0.
2. La dimensin de un subespacio en n, coincide con el nmero de
parmetros libres en su forma paramtrica. (1 parmetro=recta, 2
parmetros= plano...)
3. Si S y T son subespacios y S est contenido en T, entonces dim S dim
T.
Adems, si se da la igualdad, dim S = dim T, entonces ambos espacios han
de coincidir.
4. El rango de una familia de vectores, es igual a la dimensin del
subespacio que generan. Es decir: si v1,v2,. . . vn generan un cierto
subespacio S, y si el rango de dicho conjunto es r, entonces dim S = r.
(Si un cierto conjunto de vectores tienen rango 2, entonces generan un
plano; etc.)
Ejemplo.
pg. 18

En 3, sea S el subespacio generado por: (1,0,2), (0,1,2), (3,3,3),

(2,2,0).
Observamos que el rango de este conjunto (= rango de la matriz que
forman, por filas o por columnas) es 3. As por la propiedad 4 , tenemos que
dim S = 3. Pero como estamos en 3, por la propiedad 3 ha de ser S= 3.
Teorema:.
Sea S un espacio o subespacio de dimensin m. Entonces,
Si tenemos m vectores linealmente indep. en S, tambin sern sistema
generador de S.
Si tenemos m vectores que generan S, tambin sern linealmente
independientes.
Por tanto, si tenemos un conjunto formado por tantos vectores como indica
la dimensin, dichos vectores sern a la vez linealmente independientes y
sistema generador, o bien ninguna de las dos cosas.
As pues, para probar que son base, bastara probar solamente una de las
dos cosas: que son linealmente independientes, o que son sistema
generador.
Esto solamente se puede aplicar cuando conocemos la dimensin del espacio
y cuando tenemos tantos vectores como indica la dimensin.
Teorema. En un espacio o subespacio de dimensin m,
un conjunto de ms de m vectores nunca puede ser linealmente
independiente.
un conjunto de menos de m vectores nunca puede ser sistema
generador.
As pues, por ejemplo, 3 vectores en 2 podrn ser o no sistema
generador de 2, pero nunca podrn ser linealmente independientes.
Del mismo modo, 2 vectores en 3 podrn ser linealmente independientes
o no, pero nunca sern sistema generador de 3 (aunque s podrn serlo
de un subespacio ms pequeo).

4.5 Espacio vectorial con producto interno y sus propiedades.

pg. 19

Un espacio vectorial complejo V se denomina espacio con producto interno si

para cada par ordenado de vectores u y v en V, existe un numero complejo
nico (u,v), denominado producto interno de u y v, tal que si u, v y w estn en V
y C, entonces

La barra es las condiciones v) y vii) denota

el conjugado complejo.
Nota. Si (u,v) es real, entonces (u,v)=(u,v)
y se puede eliminar la barra en v).

EJEMPLO: producto interno de dos

vectores en C3
En C3 sean x=(1+i, -3, 4-3i) y y=(2-i, -i, 2+i). entonces

Sea V un espacio con producto interno y suponga que u y v estn en V.

entonces

Nota 1. Aqu se usa la doble barra en lugar de una sola para evitar confusin
con el valor absoluto. Por ejemplo sen t denota la norma de sen t como un
vector en C[0, 2] mientras que |sen t| denota el valor absoluto de la funcin
sen t.
Nota 2. La ecuacin anterior tiene sentido ya que (u, u)0.

pg. 20

EJEMPLO: dos vectores ortogonales en C2

En C2 los vectores (3,-i) y (2,6i) son ortogonales porque

Conjunto ortonormal
El conjunto de vectores

es un conjunto ortonormal en V si
y

Si solo el primero se cumple, se dice que el conjunto es ortonormal.

TEOREMA: cualquier conjunto finito de vectores ortonormales diferentes de

cero en un espacio con producto interno es linealmente independiente.

TEOREMA: cualquier conjunto finito linealmente independiente en un espacio

con producto interno se puede convertir en un conjunto ortonormal mediante el
proceso de Gram-Schmidt. En particular, cualquier espacio con producto
interno tiene una base ortonormal.

Proyeccin ortogonal
Sea H un subespacio del espacio con producto interno V con base ortonormal

Si vV, entonces la proyeccin ortonormal de v sobre H denotada por proyHv

esta dada por (6)

pg. 21

Las demostraciones de los siguientes teoremas son idnticas a sus

contrapartes en Rn.
TEOREMA: sea H un subespacio de dimensin finita con producto interno V.
suponga que H tiene dos bases ortonormales

Sea vV. entonces

Complemento ortogonal
Sea H un subespacio del espacio con producto interno V. entonces el
complemento ortogonal de H, denotado por H, esta dado por (7)

TEOREMA: si H es un subespacio del espacio con producto interno V,

entonces

TEOREMA DE PROYECCIN: sea H un subespacio de dimensin finita del

espacio con producto interno V y suponga que vV. entonces existe un par
nico de vectores h y p tales que hH, pH, y (8) v=h+p donde h=proyHv.

Si V tiene dimensin finita, entonces p=proyHv.

TEOREMA: sea A una matriz de nxn; entonces A tiene vectores propios

linealmente independientes si y solo si multiplicidad geomtrica de cada valor
propio es igual a su multiplicidades algebraica. En particular, A tiene n vectores
pg. 22

propios linealmente independientes si todos los valores propios son distintos

(ya que entonces la multiplicidad algebraica de cada valor propio es 1).

4.6 Base Orto normal

Orto normalizacin de Gram-Schmidt
La base es el subconjunto de algn espacio vectorial, tal que este es
linealmente independiente y se extiende sobre todos los elementos de ese
espacio vectorial. La base ortonormal es un tipo especial de base, la cual es un
subconjunto de un tipo especial de espacio vectorial el cual es el producto
pg. 23

escalar del espacio vectorial. Antes de ahondar en el tema, primero

aclararemos nuestro concepto sobre un conjunto ortonormal.
Sea un V producto escalar de un espacio vectorial, si cada vector par discreto
dentro de ese espacio vectorial es ortogonal, entonces podemos definir el
espacio vectorial como un conjunto ortogonal.
Adems, ampliando esta definicin, en un conjunto ortogonal si tenemos cada
vector con una norma igual a uno, entonces este es definido como conjunto
ortonormal. Sea V producto escalar de un espacio vectorial, y tenemos a S
como base de ese espacio vectorial dado, entonces, si S es un conjunto
ortogonal, entonces lo llamamos una base ortogonal y si S es un conjunto
ortonormal entonces lo denominamos una base ortonormal.
Formalmente hablando, una base S del producto escalar de un espacio
vectorial V que contiene vectores de la forma v1, v2, v3 vn se
define como una base ortonormal si satisface la condicin <vi . vj> = 0
donde i no debe ser igual a j. Aqu . es el producto escalar del espacio
vectorial dado.
Sin embargo no es indispensable que una base ya determinada est en forma
ortogonal. Podemos, si es necesario, transformar la base a la forma ortonormal.
El procedimiento para hacerlo se llama proceso de ortonormalizacin de Gram
Schmidt. La entrada del procedimiento es generalmente una base finita y la
salida es una base ortonormal definida en algn perodo arbitrario. El teorema
establece Para un conjunto k de elementos, el cual es lineal e independiente,
es posible construir un conjunto ortonormal, y el conjunto resultante es la
agrupacin lineal del conjunto de entrada y se extiende sobre el mismo espacio
vectorial.
Es esencial que la base est ordenada para que sea una base ortonormal. Sea
V un producto escalar de un espacio vectorial, y si tenemos a S como la base
del espacio vectorial dado que contiene los elementos de la forma v1, v2,
v3 vn .
Ahora, que tenemos otra base S, que contiene los elementos de la forma
w1, w2, w3 wn. Aqu v1 = w1, entonces,

Tambin podemos afirmar lo definido de una manera inversa diciendo que si S

es un subconjunto ortonormal de V que consiste en vectores no cero, entonces
podemos decir que S es linealmente independiente.
Si tenemos S como base ortonormal para cualquier producto escalar de un
espacio vectorial, entonces por cada elemento en el espacio vectorial dado
tenemos,
pg. 24

Aqu x es un vector en el espacio vectorial dado y los coeficientes [x, vi] son
llamados coeficientes de Fourier. Un punto digno de mencin es que todos los
productos de los espacios vectoriales que tienen tamao finito, tienen
esencialmente una base ortonormal.

pg. 25

UNIDAD 5
TRANSFORMACIONES LINEALES
5.1 Introduccin a las transformaciones lineales.

El presente capitulo aborda una clase especial de funciones

denominadas transformaciones lineales que ocurren con mucha frecuencia en
el algebra lineal y otras ramas de las matematicas. Estas tienen una gran
variedad de aplicaciones importantes. Antes de definirlas, se estudiaran dos
ejemplos sencillos para ver lo que es posible realizar.

Ejemplo 1: reflexin respecto al eje x

En R2 se define una funcin T mediante la formula T(x;y)=(x;-y).
Geomtricamente, T toma un vector en R2 y lo refleja respecto al eje x. esto se
ilustra en la figura. Una vez que se ha dado la definicin bsica, se vera
que T es una transformacin lineal de R2 en R2.

Ejemplo 2: transformacin de un vector de produccin en un vector de materia

prima.
Un fabricante elabora cuatro tipos de productos distintos, de los cuales cada
uno requiere tres tipos de materiales. Se identifican los cuatro productos
como P1, P2, P3, y P4 y a los materiales por R1, R2 y R3. La tabla siguiente
muestra el numero de unidades de cada materia prima que se requieren para
fabricar 1 unidad de cada producto.

Ejemplo 2: transformacin de un vector de produccin en un vector de materia

prima.
Un fabricante elabora cuatro tipos de productos distintos, de los cuales cada
uno requiere tres tipos de materiales. Se identifican los cuatro productos
como P1, P2, P3, y P4 y a los materiales por R1, R2 y R3. La tabla siguiente
muestra el numero de unidades de cada materia prima que se requieren para
fabricar 1 unidad de cada producto.
pg. 26

Surge una pregunta natural: si se produce cierto nmero de los cuatro

productos, Cuntas unidades de cada material se necesitan? Seanp1, p2,
p3 y p4 el nmero de artculos fabricados en los cuatro productos y sean r1,
r2, y r3 el nmero de unidades necesarios de los tres materiales. Entonces se
define

Por ejemplo, suponga que P=(10,30,20,50). Cuntas unidades de R1 se

necesitan para producir estos nmeros de unidades de los cuatro productos?
De la tabla se tiene que
r=p1*2+p2*1+p3*3+p4*4=10*2+30*1+20*3+50*4=310 unidades
de manera similar r2=10*4+30*2+20*2+50*1=190 unidades
y r3=10*3+30*3+20*1+50*2=240 unidades
en general se ve que
pg. 27

o Ap= r.
Esto se puede ver de otra manera. Si a p se le conoce como le vector de
produccin y a r como el vector de materia prima, se define la funcin T por =
T(p) = Ap. Esto es, T es la funcin que transforma el vector de produccin en
el vector de materia prima y se hace mediante la multiplicacin de matrices
ordinaria. Como se ver , esta funcin es tambin una transformacin lineal.
Antes de definir una transformacin lineal, hablaremos un poco sobre las
funciones. En la seccin 1.7 se escribi un sistema de ecuaciones como
Ax=b
Donde A es una matriz de m*n, x R y b R. Se pidi encontrar x cuando A y b
se conocan . No obstante, esta ecuacin se puede ver de otra forma: suponga
que A se conoce. Entonces la ecuacin Ax=b dice : proporcione una x en R y
yo le dar una b en R; es decir , A representa una funcin con dominio R e
imagen en R.
La funcin que se acaba de definir tiene las propiedades de que A (
si es un
escalar y A(x + y) = Ax + Ay. Esta propiedad caracteriza las transformaciones
lineales.

Definicin 1 transformacin lineal

Sean V y W espacios vectoriales reales. Una transformacin lineal T de V en W
es una funcin que asigna a cada vector v V un vector nico Tv W y que
satisface, para cada u y v en V y cada escalar .
T(u + v) = Tu + Tv
Y
pg. 28

T(av)=aTv

TRES OBSERVACIONES SOBRE NOTACIN

1. Se escribe T: v W para indicar que T toma el espacio vectorial real V y lo
lleva al espacio vectorial real W; esto es, T es una funcin con V como su
dominio y un subconjunto de W como su imagen.
2. Se escriben indistintamente Tv y T(v). Denotan lo mismo; las dos se leen T
de v. Esto es anlogo a la notacin funcional (x), que se lee de x.
3. Gran parte de las definiciones y teoremas en este captulo tambin se
cumplen para los espacios vectoriales complejos (espacios vectoriales en
donde los escalares son nmeros complejos).

Ejemplo 5 La transformacin identidad

pg. 29

Sea V un espacio vectorial y definida I: V V por Iv = v para todo v en V. Aqu es

obvio que es I es una transformacin lineal, la cual se denomina transformacin
identidad u operador identidad.

Ejemplo 6

Transformacin de reflexin

Sea T:R2 R2 definida por T(x;y)=(x;-y). Es fcil verificar que T es lineal. En

trminos geomtricos, T toma un vector en R2 y lo refleja respecto al eje y (vea
la figura 5.2)

Ejemplo 7 Transformaciones de Rn Rm dada por la multiplicacin por una

matriz de m*n.
Sea A una matriz de m*n y definida T:R R por Tx = Ax. Como A(x + y) = Ax +
Ay y A( si x y y estn en R, se observa que T es una transformacin lineal.
Entonces: toda matriz A de m*n se puede utilizar para definir una
transformacin lineal de R en R.

pg. 30

5.2 Ncleo e imagen de una transformacin lineal

A una transformacin lineal f : V W podemos asociarle un subespacio de V ,
llamado su ncleo, que de alguna manera mide el tamao de la pre-imagen por
f de un elemento de su imagen. En particular, conocer este subespacio nos
permitir determinar si f es inyectiva.
Sean V y W dos K-espacios vectoriales, y sea f : V W una transformacin
lineal. Se llama ncleo de f al conjunto Nu(f) = {v V / f(v) = 0} = f1({0}).
Observamos que si f : V W es una transformacin lineal, Nu(f) es un
subespacio de V , puesto que es la pre-imagen por f del subespacio {0} W.
Ejemplo. Sea f : R3 R2 la transformacin lineal definida por f(x1,x2,x3) = (x1,x2).
Entonces
Nu(f) ={(x1,x2,x3) R3 : f(x1,x2,x3) = 0}
= {(x1,x2,x3) R3 : x1 = x2 = 0} =

<

(0,0,1) > .
La siguiente proposicin nos da una manera de determinar si una
transformacin lineal es un monomorfismo considerando simplemente su
ncleo.
Sea f : V W una transformacin lineal. Entonces
f es monomorfismo Nu(f) = {0}
Demostracin.
() Si f es un monomorfismo, entonces es una funcin inyectiva. En particular,
existe a lo sumo un elemento v V tal que f(v) = 0. Puesto que f(0) = 0,
debe ser v = 0. Luego, Nu(f) = {0}.
() Sean v,v0 V . Supongamos que f(v) = f(v0). Entonces f(v v0) = f(v) f(v0)
= 0, con lo que vv0 Nu(f) y por lo tanto, la hiptesis Nu(f) = {0} implica
que vv0 = 0, es decir, v = v0. Luego f es inyectiva.

pg. 31

Otro conjunto importante asociado a una transformacin lineal es su imagen.

Recordamos que si f : V W, su imagen se define como Im(f) = {w W /v
V,f(v) = w}. De la Proposicin 3.3 se desprende que la imagen de una
transformacin lineal f : V W resulta ser un subespacio de W.
Ejemplo. Hallar la imagen de la transformacin lineal f : R3 R3 definida como
f(x1,x2,x3) = (x1 x2,x1 + x2,2x1 2x2 + x3).
Por definicin,
Im(f) ={y R3 / x R3, f(x) = y}
={y R3 / (x1,x2,x3) R3, (x1 x2,x1 x2,2x1 2x2 + x3) = y}.
Entonces, un elemento de y pertenece a Im(f) si y solo si es de la forma
y = (x1 x2,x1 + x2,2x1 2x2 + x3) = (x1,x1,2x1) +
(x2,x2,2x2) + (0,0,x3) = x1.(1,1,2) + x2.
(1,1,2) + x3.(0,0,1).
Luego, Im(f) = < (1,1,2),(1,1,2),(0,0,1) > = < (1,1,2),(0,0,1) >.
Otra manera de calcular la imagen de f, teniendo en cuenta que es una
transformacin lineal, es la siguiente:
Consideremos un sistema de generadores de R3, por ejemplo la base
cannica {e1,e2,e3}. Para cada x R3 se tiene que x = x1.e1 + x2.e2 + x3.e3, de
donde resulta que
f(x) = x1.f(e1) + x2.f(e2) + x3.f(e3).
Luego,
Im(f) ={f(x) : x R3} = < f(e1),f(e2),f(e3) > =
=< (1,1,2),(1,1,2),(0,0,1) > = < (1,1,2),(0,0,1) >.

pg. 32

5.3 La matriz de una transformacin lineal.

Si A es una matriz de m*n y T: Rn-Rm est definida por Tx = Ax, entonces, T es

una transformacin lineal. Ahora se ver que para toda transformacin lineal de
Rn en Rm existe una matriz A de m*n tal que Tx = Ax para todo x Rn. Este
hecho es de gran utilidad. Si Tx = Ax. Entonces un T = NA e Im T = RA. ms
aun, v(T) = dim un T = v(A) y p(T) = dim Im T = p(A). As se puede determinar el
ncleo, la imagen, la nulidad y el rango de una transformacin lineal de RnRm determinando el espacio nulo y la imagen de la matriz correspondiente.
Adicionalmente, una vez que se sabe que Tx = Ax. Se puede evaluar Tx para
cualquier x en Rn mediante una simple multiplicacin de matrices.
Pero esto no es todo. Como se ver, cualquier transformacin lineal entre
espacios vectoriales de dimensin finita se puede representar mediante una
matriz.
Teorema 1
Sea T:Rn -Rm una transformacin lineal. Existe entonces una matriz nica de
m*n, AT tal que

Demostracin
Sea w1 = Te1,w2 = Te2,.,wn = Ten. Sea AT la matriz cuyas columnas son w1,
w2,., wn y hagamos que AT denote tambin ala transformacin de Rn-Rm,
que multiplica un vector en Rn por AT. si

Entonces
pg. 33

De esta forma, ATei = wi para i = 1,2,.n., T y la transformacin AT son las

mismas porque coinciden en los vectores bsicos.

Ahora se puede demostrar que AT es nica. Suponga que Tx = ATx y que Tx =

BTx para todo x Rn. Entonces ATx = BTx, o estableciendo CT= AT BT, se
tiene que CTx = 0 para todo x Rn. En particular, CTei es la columna i de CT.
As, cada una de las n columnas de CT es el m-vector cero, la matriz cero de
m*n. Esto muestra que AT = BT y el teorema queda demostrado.

Definicin 1

Matriz de transformacin

La matriz AT en el teorema 1 se denomina matriz de transformacin

correspondiente a T o representacin matricial de T.

NOTA. La matriz de transformacin AT est definida usando las bases estndar

tanto en Rn como en R3. Si se utilizan otras bases, se obtendr una matriz de
transformacin diferente.

pg. 34

TEOREMA 2 sea AT la matriz de transformacin correspondiente a laa

transformacin lineal T. entonces.
i.

Im T = Im A = CAT

ii.

P(T) = p(AT)

iii.

Un T = NAT

iv.

v(T) = v(AT

Ejemplo 1

Representacin matricial de una transformacin de proyeccin

Encuentre la matriz de transformacin AT correspondiente ala proyeccin de un

vector en R3 sobre el plano xy.
Solucin

Teorema 4
Sean V y W espacios vectoriales de dimensin finita con dim V = n. sea T:V-W
una transformacin lineal y sea AT una representacin matricial de T respecto a
las bases B1 en V y B2 en W. entonces
i.

p(T) =p(AT)

ii. V(A) = v(AT)

iii. V(a) + p(T) = n

Teorema 5 Sea T:Rn-Rm una transformacin lineal. Suponga que C es la matriz

de transformacin de T respecto a las bases estndar Sn y Sm en Rn y Rm,
respectivamente. Sea A1 la matriz de transicin de B2 a base Sm en Rm. Si
AT denota la matriz de transformacin de T respecto a las bases B1 y B2,
entonces.
pg. 35

Geometra de las transformaciones lineales de R2 en R2.

Sea T:R2-R2 una transformacin lineal con representacin matricial AT Ahora
de demostrar que si AT es invertible, entonces T se puede escribir como una
sucesin de una o ms transformaciones especiales,
denominadas expansiones, compresiones, reflexiones y cortes.

Expansiones a lo largo de los ejes x o y

Una expansin a lo largo del eje x es una transformacin lineal que multiplica a
la coordenada x de un vector en R2 por una constante C >1. Esto es

De manera similar, una expansin a lo largo del eje y es una transformacin

lineal que multiplica la coordenada y de todo vector en R2 por una constante

C>1. Como antes ,

pg. 36

entonces la representacin matricial de T es

a)

se comienza con este rectngulo.

b)

Expansin en la direccin de x c = 2.

c)

Expansin en la direccin de y con c = 4.

de manera que

Compresin a lo largo de los ejes x o y.

Una compresin a lo largo de los ejes x o y es una transformacin lineal que
multiplica ala coordenada x o y de un vector en R2 por una constante positiva
0<c<1, mientras que para la expansin c<1.

pg. 37

a)

se comienza con este rectngulo.

b)

Compresin a lo largo del eje x con c =1/3.

c)

Compresin a lo largo del eje x con c=1/2.

pg. 38

5.4 Aplicacin de las transformaciones lineales: reflexin, dilatacin,

contraccin y rotacin.
Reflexin sobre el eje x
En este caso, queremos averiguar como est definida la transformacin T de
R2 en R2 que cada vector

lo refleja sobre el eje x,

para obtener un vector

En una grfica, vemos la situacin como sigue:

En este caso, la situacin es ms sencilla ya que claramente tenemos dos

tringulos rectngulos que son congruentes, de donde T queda definida como
sigue:

Esta transformacin se llama la reflexin sobre el eje x, y es lineal, ya que:

pg. 39

Ejemplo dilatacin o expansin

Una dilatacin es una transformacin que incrementa distancias.

Sea V= (2 4) encontrara la expansin vertical cuando K=2

Expansin horizontal (k71) o contraccin (0<k<1)
Expansin vertical (k71) o contraccin (0<k<1)

Ejemplo contraccin

Una contraccin es una transformacin que decrece distancias. Bajo una

contraccin, cualquier par de puntos es enviado a otro par a distancia
estrictamente menor que la original.

Sea V= (2 4) encontrara la contraccin horizontal cuando K=1/2

pg. 40

Haciendo la grafica el punto disminuye en el eje horizontal.

Rotacin por un ngulo

Sea
un ngulo medido en radianes. Queremos
averiguar cual es la transformacin T de R2 en R2 que gira cada
vector

un angulo

, para obtener un vector

En una grfica, vemos la situacin como sigue:

Si usamos las funciones trigonomtricas, tenemos que:

pg. 41

Distribuyendo y usando el hecho de que

tenemos que:

Por lo tanto, ya descubrimos cmo debe estar definida la

transformacin
que

tal

Esta transformacin se llama la rotacin por un ngulo

y es lineal, ya que:

pg. 42

Fuente de informacin
http://personales.unican.es/camposn/espacios_vectoriales1.pdf
http://personales.unican.es/camposn/espacios_vectoriales2.pdf
http://www.matap.uma.es/~garvin/05Alg10/node24.html
http://itsavbasicas.blogspot.mx/2012/05/53-la-matriz-de-unatransformacion.html

pg. 43