Académique Documents
Professionnel Documents
Culture Documents
1. Algo de motivación
Te recuerdo que para definir una aplicación necesitas un conjunto de partida (dominio, A),
otro de llegada (codominio, B) y una manera o regla, f : A → B, para asociar a cada elemento,
a, del dominio un único elemento, f (a), del codominio al que llamamos imagen de a por la
aplicación. Para cada aplicación, uno puede definir un subconjunto del codominio, la imagen
de la aplicación, f (A) ⊂ B
f (A) = {f (a) ∈ B : a ∈ A}
También sabes que existen importantes tipos de aplicaciones. En primer lugar, aquellas apli-
caciones cuya imagen es todo el codominio son llamadas aplicaciones suprayectivas
f (A) = B suprayectiva
Por otro lado, una aplicación se dice inyectiva si no existen elementos distintos del dominio
que tienen la misma imagen
¥ A partir del tema pasado, y a lo largo de este curso, los conjuntos (en particular, dominios y
codominios de las aplicaciones) no son cualesquiera sino que poseen una estructura de espacio
vectorial. Pretendemos entonces estudiar aplicaciones entre espacios vectoriales que conserven
las operaciones que definen dicha estructura.
Antes de definir lo que es una aplicación lineal quiero que te fijes en el siguiente grupo de
aplicaciones del plano real en sı́ mismo.
1
5. f5 : R2 → R2 definida por f5 (x, y) = (x2 , y).
¡ ¢
6. f6 : R2 → R2 definida por f6 (x, y) = x y ∗ M , donde M ∈ M2 (R).
A continuación serı́a bueno que te fijaras en algunas similitudes y diferencias entre ellas. Para
ser más claro. Quiero que enfrentes a estas aplicaciones con la estructura de espacio vectorial
que tiene R2 . Si lo haces, verás que se tiene:
1. Las aplicaciones primera, segunda, cuarta y sexta verifican las siguientes propiedades
2. Las aplicaciones tercera y quinta no verifican las propiedades anteriores. Lo puedes com-
probar con elecciones particulares de vectores.
F Serı́a bueno, también, que observaras que los casos primero, segundo y cuarto son casos
particulares del caso sexto. Para ello te tienes que dar cuenta que en dichos casos la matriz M
es respectivamente
µ ¶ µ ¶ µ ¶
0 1 −1 0 2 −1
, ,
1 0 0 1 1 4
♣ Definición (Aplicación Lineal). Sea f : V(K) → V0 (K) una aplicación entre dos espacios
vectoriales (sobre el mismo cuerpo). Se dirá que es lineal, o que es un homomorfismo si es
compatible con las estructuras de espacio vectorial que tienen su dominio y codominio. Esto,
no es más que una manera de decir que la aplicación verifica las dos propiedades siguientes:
1. Los ejemplos de aplicaciones lineales que has visto anteriormente se pueden extender, de
manera obvia, en el siguiente contexto. Imagı́nate que te dan una matriz de m filas y n
columnas, M ∈ Mm×n (K). A partir de ella, puedes definir la siguiente aplicación
M : Km → Kn , M (~u) = ~u ∗ M,
donde ~u = (a1 , a2 , · · · , am ) ∈ Km se está viendo como una matriz fila. Entonces, usando
las propiedades, que ya conoces, sobre las operaciones con matrices, puedes ver que esta
aplicación es siempre lineal.
2
2. La aplicación derivada es lineal. Sea D : Pn (K) → Pn (K) la aplicación que lleva cada
polinomio de grado menor o igual que n en su derivada, esto es, D(P (t)) = P 0 (t).
Entonces, usando las propiedades de la derivada, que también conoces, puedes ver que
esta aplicación es lineal.
3. La aplicación f : Mn (K) → Mn (K) que lleva cada matriz en su traspuesta, f (M ) = M t
es también lineal. Esto se fundamenta en las siguientes propiedades que ya conoces
f (M + N ) = (M + N )t = M t + N t = f (M ) + f (N ),
f (α · M ) = (α · M )t = α · M t = α · f (M ).
♠ Aquı́ tienes otros ejemplos de aplicaciones para que pienses si son lineales o no lo son
1. f : V(K) → V(K), definida por f (~v ) = α.~v , donde α ∈ V es un escalar fijo.
2. D : D(R, R) → D(R, R), definida por D(f ) = f 00 + f , donde D(R, R) representa al
espacio vectorial, real, de las funciones reales de clase dos.
3. f : C(C) → C(C) definida por f (z) = z̄.
4. f : C(R) → C(R) definida por f (z) = z̄.
Además se tiene f (~0) = ~0 0 y también que f (−~x) = −f (~x) cualquiera que sea ~x ∈ V.
FFF Una Propiedad Muy Importante de las Aplicaciones Lineales. Para conocer
una aplicación lineal es suficiente con conocer las imágenes de los vectores
de una base de su dominio. En efecto,
3
Imagina que tienes una aplicación lineal, f : V(K) → V0 (K).
Sigue imaginando que conoces las imágenes, {f (~u1 , f (~u2 , · · · , f (~un } de los vectores de
una base B = {~u1 , ~u2 , · · · , ~un } de V, (estamos suponiendo que V tiene dimensión n).
Entonces eres capaz de conocer la imagen de cualquier vector, ~x ∈ V. Esto es claro, pues
~x tiene una coordenadas en la base B,
n
X
~x = ai ~ui ,
i=1
¨¨ Observa que de lo anterior podemos asegurar que si tomas cualquier base, B = {~u1 , ~u2 , · · · , ~un }
del dominio, entonces H = {f (~u1 ), f (~u2 ), · · · , f (~un )} es siempre un sistema de gener-
adores de la imagen, f (V). OJO, en general H no es base pues sus vectores pueden no ser
linealmente independientes.
FFF Extensión por Linealidad. La propiedad anterior fundamenta una técnica para
definir aplicaciones lineales.
Imagı́nate que quieres definir una aplicación lineal entre dos espacios vectoriales, V y
V0 ambos sobre el mismo cuerpo K.
Tomas una base, B = {~u1 , ~u2 , · · · , ~un }, de V (seguimos suponiendo que V tiene dimen-
sión n).
f (~ui ) = ~zi , 1 ≤ i ≤ n,
donde los ~zi son ciertos vectores de V0 que dependerán de los gustos o exigencias del que
te ponga el problema.
4
♣ Rango de una aplicación lineal.- Si tienes una aplicación lineal, f : V(K) → V0 (K),
entonces su rango es la dimensión de su imagen
rango (f ) = dim(f (V))
FFF Una Propiedad Importante. Las dimensiones del núcleo (nulidad) e imagen (rango)
no pueden ser arbitrarias. Ellas están ligadas por la siguiente fórmula
dim(N(f )) + dim(f (V)) = dimV
Para tener una idea sobre la prueba de esta fórmula, procedes como sigue
1. Toma una base de N(f ), se esta B = {~x1 , ~x2 , · · · , ~xr } (hemos supuesto que la nulidad es
r)
2. Amplı́a esta, para obtener una base ampliada del dominio V. Se tendrán que añadir
n − r vectores para obtener la base ampliada, sea esta
B = {~x1 , ~x2 , · · · , ~xr , ~xr+1 . · · · , ~xn }
5
4. Ejercicios
Aquı́ tienes algunos ejercicios sobre cálculo de núcleo, imagen, nulidad y rango.
1. Considera la aplicación lineal, f : R3 → R2 definida por
1 0
f (x, y, z) = (x, y, z) 0 −1
1 1
Observa, en primer lugar que el núcleo de esta aplicación lineal está formado por las
matrices de M2 (K) que verifican
2a = b + c = 2d = 0
esto es, las matrices que son anti-simétricas, N(f ) = A2 (K). Ello implica que la nulidad
de esta aplicación lineal es uno, su rango es entonces tres y por lo tanto su imagen es
todo el codominio, K3 . Se trata de otro epimorfismo.
La nulidad de la aplicación lineal es uno y por tanto su rango es tres. Por otro la-
do, observa que la imagen, que tiene dimensión tres, está contenida (por la manera de
definir la aplicación lineal) en S2 (K), el espacio de matrices simétricas que también tiene
dimensión tres. La conclusión es que f (M2 (K)) = S2 (K).
La nulidad es dos y por lo tanto su rango también es dos. Por otro lado
6
5. Aplicaciones Lineales Suprayectivas o Epimorfismos
Recuerda que las aplicaciones suprayectivas son aquellas en las que la imagen rellena todo el
codominio. Ası́, f : V → V0 es suprayectiva si f (V) = V0 . En particular, el rango debe de
coincidir con la dimensión del codominio
Si comparas esta fórmula con la anterior, tienes que si f (V) = V0 es una aplicación lineal
suprayectiva (o un epimorfismo) entonces
Esto prueba que para que exista un epimorfismo de V en V0 debe de ocurrir que
dim(V) ≥ dim(V0 )
F La fórmula anterior es, por otro lado, la única condición u obstrucción que se tiene para la
existencia de epimorfismos.
4. Para definir la aplicación lineal es suficiente con dar las imágenes de los vectores de B y
extender por linealidad.
7
5. Entonces puedo definir un epimorfismo que tenga por núcleo N(f ) = L({~u1 }) que tiene
dimensión uno, ası́
f (~u1 ) = ~0
a continuación debo de enviar a los otros tres vectores a otros tantos de K3 que formen
una base para que la imagen sea todo K3 , por ejemplo
U = {(x, y, z, t) ∈ K4 : x = y = z − t = 0}
3. Calcula una aplicación lineal de K3 en K3 cuyo núcleo e imagen sean los siguientes
subespacios
¨ Yo creo que deberı́as intentar hacer una prueba de la afirmación anterior. Te recuerdo que
es una caracterización y por tanto debes de probar dos implicaciones (condiciones necesaria y
suficiente).
¨ Ası́, si usas la formulita de las dimensiones, seguro que entiendes que si tienes una aplicación
lineal e inyectiva (un monomorfismo), f : V → V0 , entonces
]
0
¨ Si f : Vn → Vm es un monomorfismo, entonces su rango es n. Toma una base B =
{~x1 , ~x2 , ..., ~xn }, de Vn y considera sus imágenes por el monomorfismo, H = {f (~x1 ), f (~x2 ), ..., f (~xn )}.
Como sabes, H es un sistema de generadores de la imagen f (V) (esto ocurre para cualquier
aplicación lineal) lo novedoso ahora es que la dimensión de la imagen es n y por tanto los
vectores de H deben formar una base de la imagen.
8
¨ Por ejemplo, no existen monomorfismos de M2 (K) en K3 pues la dimensión de primero es
cuatro mientras que la del segundo es tres. En cambio puedes construir monomorfismos de
K3 en M2 (K). Para hacerlo, hay que tener en cuenta que por la fórmula de las dimensiones,
el rango de estos monomorfismos debe ser tres. Fijamos entonces un subespacio vectorial de
M2 (K), el que queramos que haga el papel de imagen del monomorfismo que pretendemos
definir. Nos gusta, especialmente, S2 (K), el de las matrices simétricas de orden dos. Fijamos
bases en el dominio y en el subespacio elegido para imagen, por ejemplo
¨ Yo creo que debes de ser capaz de ver que el recı́proco del resultado anterior también es
cierto, esto es
9
¨ Por lo tanto podemos decir: Dos espacios vectoriales son isomorfos (existe un iso-
morfismo entre ellos) si y sólamente si tienen la misma dimensión.
Algunos Ejercicios.- Construye isomorfismos entre cada dos de los siguientes espacios vec-
toriales: K3 , S2 (K), A3 (K), P2 (K) y U = {(x, y, z, t) ∈ K4 : x − t = 0}.
f (V) = W
F El protocolo para construir este tipo de aplicaciones lineales es el siguiente:
1. Tomamos una base del subespacio U, el cual queremos que sea el núcleo de nuestra
aplicación lineal, B = {~u1 , ~u2 , ..., ~ur }
2. Ampliamos la base anterior, añadiendo n−r vectores, para obtener una base del dominio,
B̄ = {~u1 , ..., ~ur , ~xr+1 , ..., ~xn }
3. Elegimos una base del subespacio W que queremos que sea la imagen de nuestra apli-
cación lineal B 0 = {w
~ r+1 , w
~ r+2 , ..., w
~ n}
4. Definimos nuestra aplicación lineal sobre los vectores de la base B̄ como sigue
¨ Si te dan una matriz M ∈ Mm×n (K) puedes definir una aplicación lineal de Km en Kn
sencillamente multiplicando los vectores de Km (los cuales se pueden ver como matrices con
una fila y m columnas) por la matriz M , el resultado es una matriz con una fila y n columnas
y por tanto un vector de Kn
M : Km → Kn , M (~v ) = ~v ∗ M.
10
¨ Lo que trataré de explicarte ahora es el hecho de que lo anterior es un caso particular de
una construcción mucho más general. Imagı́nate que te dan una aplicación lineal entre dos
espacios vectoriales, f : V(K) → V0 (K). Sigue imaginando que el primer espacio vectorial
tiene dimensión m mientras que la dimensión del segundo es n. ¡Por imaginar que no quede!,
lo haces ahora cuando tomas sendas bases en dichos espacios vectoriales
Naturalmente con las coordenadas anteriores podemos formar una matriz M = (aij ), 1 ≤ i ≤
m, 1 ≤ j ≤ n. Pues bien, conociendo esta matriz se tiene solucionado el problema. A ver si
sigues la siguiente cuenta
à m ! m
X X
f (~x) = f ai ~vi = ai f (~vi ).
i=1 i=1
Pn
Como f (~x) = j=1 bj ~zj y las coordenadas de un vector en una base son únicas, se tiene
m
X
bj = ai aij , 1 ≤ j ≤ n.
i=1
11
Esto, se puede escribir como un producto de matrices
(b1 b2 · · · bn ) = (a1 a2 · · · am ) ∗ M.
Esta es la expresión matricial de la aplicación lineal f : V(K) → V0 (K) en las bases B de V y
B 0 de V0 . A la matriz M se le llama la matriz que representa a la aplicación lineal f en dichas
bases. Como depende, obviamente, de las bases que se elijan, es justo que la representemos
teniendo en cuenta dicha dependencia, por ejemplo M (f, B, B 0 ).
1. ¨ Observa que en cada espacio vectorial, V(K), puedes considerar la aplicación identidad,
I : V → V, definida por I(~x) = ~x, para todo ~x ∈ V, y que, obviamente es lineal. Si
consideras ahora dos bases, B1 y B2 de V puedes considerar la matriz M (I, B1 , B2 ). Por
la construcción anterior, las filas de esta matriz son las coordenadas en la base B2 de los
vectores de la base B1 , es decir la matriz del cambio de base.
2. ¨ Cuando hemos recordado la construcción de que dada una matriz M ∈ Mm×n (K)
puedes definir una aplicación lineal de Km en Kn sencillamente multiplicando los vectores
de Km (los cuales se pueden ver como matrices con una fila y m columnas) por la matriz
M , el resultado es una matriz con una fila y n columnas y por tanto un vector de Kn
M : Km → Kn , M (~v ) = ~v ∗ M.
12
0
Puedes definir muchas biyecciones (aplicaciones biyectivas) entre los conjuntos Hom(Vn , Vm )
0
y Mnm (K), para cada pareja de bases que elijas en Vn y Vm tienes una.
El hecho de que puedas establecer una biyección entre estos dos conjuntos indica que,
desde el punto de vista de la teorı́a de conjuntos, son iguales.
FF Una Idea. Las matrices en Mnm (K) sabes manipularlas, sumarlas y multiplicarlas por
números reales, de manera que este conjunto es un espacio vectorial de dimensión n×m. Bueno
pues podemos pensar en trasladar esta estructura al conjunto de las aplicaciones lineales,
usando una de las biyecciones anteriormente definidas.
Puedes definir la suma de aplicaciones lineales: f + h es la aplicación lineal que está rep-
resentada por la matriz que se obtiene sumando las matrices que representan a las
aplicaciones lineales f y h, respectivamente. En otras palabras
0
f + h : Vn → Vm (f + h)(~x) = f (~x) + h(~x) ∀~x ∈ Vn
Puedes definir el producto de un número real por una matriz: αf es la aplicación lineal
representada por la matriz que se obtiene multiplicando por α a la matriz que representa
a f . En otras palabras
0
αf : Vn → Vm (αf )(~x) = αf (~x) ∀~x ∈ Vn
FF Con ello conseguimos que las biyecciones anteriores se conviertan en lineales y por tanto
0
isomorfismos. Como consecuencia Hom(Vn , Vm ) es un espacio vectorial isomorfo a Mnm (K)
y por tanto con dimensión n × m.
0
FF Para calcular una base del espacio vectorial Hom(Vn , Vm ) puedes tomar una base en
Mnm (K) y calcular las aplicaciones lineales que vienen representadas por las matrices que
componen la base tomada. Aquı́ tiene un ejemplo.
♠ Imagina que te piden que calcules una base del espacio vectorial Hom(K3 , K2 ). Lo primero
que sabes es que tiene ndimensión seis y que es isomorfo al espacio vectorial M3×2 (K). Em-
piezas tomando una base de este espacio vectorial de matrices, naturalmente eliges la más
sencilla,
1 0 0 1 0 0 0 0 0 0 0 0
0 0 ; 0 0 ; 1 0 ; 0 1 ; 0 0 ; 0 0
0 0 0 0 0 0 0 0 1 0 0 1
A estas matrices las llamamos Mij con 1 ≤ i ≤ 3 y 1 ≤ j ≤ 2 cuando tiene el uno en la fila i
y columna j. Ahora elegimos bases en K3 y K2 , las canónicas
Finalmente, definimos seis aplicaciones lineales de K3 en K2 cuyas matrices en estas bases son
las seis elegidas anteriormente
13
Por ejemplo la aplicación lineal f21 está descrita por
Equivalentemente
¡ ¢ 0 0
f21 (x, y, z) = x y z 1 0 = (y, 0)
0 0
N Para obtener la relación entre estas tres matrices, procedemos de manera directa, en efecto
à m ! m
X X
(h ¦ f )(~xi ) = h (f (~xi )) = h αij ~yj = αij h(~yj )
j=1 j=1
14
ahora tienes en cuenta la expresión de los vectores h(~yj en la base B 00 y tienes
m p p
à m !
X X X X
(h ¦ f )(~xi ) = αij βjk ~zk = αij βjk ~zk
j=1 k=1 k=1 j=1
¥ Llamaremos matrices equivalentes a las que representan a una misma aplicación lineal.
Lo anterior es entonces equivalente a ¿Cómo están relacionadas, algebraicamente, las
matrices equivalentes? Es claro que dos matrices equivalentes tienen el mismo rango
pues el rango de cada una de ellas es la dimensión de la imagen de la aplicación lineal a la
cual representan.
¥ Es claro que en la respuesta que demos a esta pregunta deben intervenir las matrices de
los cambios de base en los dos espacios vectoriales. Para obtener la respuesta consideras la
siguiente composición obvia de aplicaciones lineales
15
f = I0 ¦ f ¦ I I = identidad en V I0 = identidad en V0
Usando la fórmula de la matriz que representa a la composición de aplicaciones lineales,
obtienes
M2 = M (f, B2 , B20 ) = M (I, B2 , B1 ).M (f, B1 , B10 ).M (I0 , B10 , B20 ) = P.M1 .Q
donde P = M (I, B2 , B1 ) y Q = M (I0 , B10 , B20 ) son las matrices de cambio de bases, en el orden
indicado, en los dos espacios vectoriales.
F En primer lugar, nos referiremos a la estructura algebraica de End(V). Es obvio que como
todo espacio de aplicaciones lineales es un espacio vectorial, en este caso de dimensión n2 .
Ocurre en este caso que End(V) es cerrado para la composición de endomorfismos, esto es,
se tiene
End(V) × End(V) → End(V) (f, h) 7→ h ¦ f
Entonces puedes comprobar que (End(V), +, ¦) es un anillo y evidentemente, el endomorfismo
identidad, I, funciona como elemento neutro para la segunda operación.
F Ası́, para cada base, B, de Vn , obtienes un isomorfismo entre los espacios vectoriales
End(V) y Mn (K)
16
¿qué relación existe entre estas dos matrices?. En otras palabras ¿Qué relación existe
entre dos matrices regulares?
F Como consecuencia del mismo problema, ya resuelto, sobre matrices equivalentes, ahora
obtienes:
Sea P la matriz del cambio de base, de B1 a B2 (sus filas expresan las coordenadas de
los vectores de B1 en la base B2 ). Recuerda que las matrices de los cambios de base son
regulares, tienen inversa)
det(f ) = det (M (f, B)) traza(f ) = traza (M (f, B)) para cualquier base
14. Ejercicios
Ejercicio 1.- Sea P3 (K) el espacio vectorial de los polinomios de grado menor o igual que
tres en una variable. Se considera la aplicación
que lleva cada polinomio en su derivada. Prueba que es una aplicación lineal y calcula su
núcleo y su imagen.
Ejercicio 2.- Se considera la aplicación lineal
f : K3 → K2 , f (~v ) = ~v ∗ M,
17
Ejercicio 3.- Calcula el núcleo y la imagen de la siguiente aplicación lineal, f : R3 → R3
definida por
f (x, y, z) = (2x + y + 4z; x + y + 2z; x + y + 3z).
Escribe dicha aplicación en forma matricial.
Ejercicio 4.- Sea f : V → R una aplicación lineal no nula. Prueba que es un epimorfismo y
que dim(N(f )) = dim(V) − 1.
Ejercicio 5.- Razona, en cada uno de los siguientes casos, si existe o no una aplicación lineal,
f : R4 → R4 , en los casos en que exista tienes que construirla
Ejercicio 6.- Calcula una aplicación lineal f : R4 → S2 cuyo núcleo sea el siguiente subespacio
vectorial
U = {(x1 , x2 , x3 , x4 ) ∈ R4 : x1 − x3 + x4 = 0, x1 − x2 + x3 = 0}.
Calcula la imagen de la aplicación lineal que has construı́do.
Ejercicio 7.- Prueba que los siguientes tres vectores forman una base del espacio vectorial
R3 :
18
S2 = {M ∈ M2 : M = M t }
A2 = {M ∈ M2 : M = −M t }
T2 = {M ∈ M2 : traza(M ) = 0}
S2 = {M ∈ M2 : M = M t }
A2 = {M ∈ M2 : M = −M t }
T2 = {M ∈ M2 : traza(M ) = 0}
S2 = {M ∈ M2 : M = M t }
A2 = {M ∈ M2 : M = −M t }
T2 = {M ∈ M2 : traza(M ) = 0}
U = {(x1 , x2 , x3 , x4 ) ∈ R4 : x1 + x4 = 0, x2 + x3 = 0}.
Calcula un monomorfismo de U en P2
19
Ejercicio 17.- En R3 se consideran las dos bases siguientes
B1 = {(1, 0, 0); (0, 1, 0); (0, 0, 1)}, B2 = {(1, 2, 0); (−1, 1, 0); (0, 4, 1)}.
Calcula las matrices que representan, en dichas bases, a la siguiente aplicación lineal
B1 = {(1, 0, 1); (0, 1, 0); (−1, 0, 1)}, B2 = {(1, 2, 1); (−1, 1, 0); (0, 4, 1)}.
Calcula las matrices que representan, en dichas bases, a la siguiente aplicación lineal
f : R3 → R3 , f (x, y, z) = (x − y; y + z; x + z).
f : R4 → R4 , f (x, y, z, t) = (x − y; y + z; x + z, x + y + t).
Ejercicio 21.- ¿Puede existir una aplicación lineal de un espacio vectorial en sı́ mismo (un
endomorfismo) cuyo núcleo coincida con su imagen?
Ejercicio 22.- Prueba que dos espacios vectoriales son isomorfos si y sólo si tienen la misma
dimensión.
Ejercicio 23.- Construye isomorfismos entre los siguientes espacios vectoriales:
R3 y S2 .
R3 y U = {(x, y, z, t) ∈ R4 : x − y + z + t = 0}
S2 y P2
S2 y A3 .
20
Ejercicio 27.- En R2 se consideran las aplicaciones lineales, fα : R2 → R2 ,que en la base
estándar vienen representadas por las siguientes matrices
½µ ¶ ¾
cos α sin α
: α∈R .
− sin α cos α
Calcula el núcleo y la imagen de dichas aplicaciones lineales. Calcula los valores de α para que
la siguiente ecuación tenga solución no trivial fα (~v ) = λ ~v donde λ ∈ R.
Ejercicio 28.- En R3 se consideran las aplicaciones lineales, fα : R3 → R3 ,que en la base
estándar vienen representadas por las siguientes matrices
1 α 0
Mα = α 1 α
0 α 1
Ejercicio 29.- Calcula una base del espacio vectorial End(R2 ). En ella, calcula las coorde-
nadas del vector definido como sigue
f : R2 → R2 , f (x, y) = (−y, x)
Ejercicio 30.- Calcula una base del espacio vectorial (R2 )∗ = Hom(R2 , R) la cual contenga
al vector definido como sigue
f : R2 → R, f (x, y) = x + y
Calcula ΦBo (f ), ΦBo (h), ΦBo (−f + 2h), ΦBo (h ¦ f ), ΦBo (f ¦ h) y ΦBo (h ¦ f − 2h).
Ejercicio 33.- En End(R2 ) se consideran los vectores f y h cuyas matrices en la base canónica
son µ ¶ µ ¶
cos α sin α cos β sin β
ΦBo (f ) = ΦBo (h) =
− sin α cos α − sin β cos β
Calcula ΦBo (f ¦ h) y ΦBo (h ¦ f ).
21
El Espacio Dual de un Espacio Vectorial
15. Introducción
F Como sabes, por los epı́grafes anteriores, si tienes un espacio vectorial, Vn (K), con di-
mensión n, entonces automáticamente aparece definido otro también con dimensión n cuyos
vectores son las aplicaciones lineales del primero en K
Vn∗ = Hom(Vn , K)
A partir de ahora, a este espacio espacio vectorial, Vn∗ (K), le llamaremos espacio dual del
espacio vectorial Vn (K). A los vectores del espacio dual se les suele llamar formas lineales.
F Voy a recordarte algunas cosas que también sabes sobre este espacio vectorial.
En primer lugar, si fijas una base B = {~x1 , ~x2 , ..., ~xn } de Vn , entonces cada vector, ~x, de
Vn tiene unas coordenadas en dicha base
n
X
~x = ai ~xi , ai ∈ K
i=1
de tal manera que se produce una identificación de los vectores de Vn (K) con Kn o, de
otra forma con las matrices de una fila y n columnas
En la anterior identificación, cada vector ϕ ∈ Vn∗ se identifica con una matriz de n filas
y una columna (matrices columna) obtenida del siguiente modo: la primera fila son las
coordenadas (en este caso la coordenada) de ϕ(~x1 ) en la base Bo = {1}, es decir el propio
ϕ(~x1 ) ∈ K. Lo mismo ocurre con las otras filas, esto es
ϕ(~x1 )
ϕ(~x2 )
ϕ↔ ........
ϕ(~xn )
De manera que al fijar una base de Vn puedes representar a sus vectores por matrices
fila mientras que a los vectores de su dual los puedes representar por matrices columna.
22
16. Bases Duales
¥ En los epı́grafes anteriores, también has aprendido a calcular bases en los espacios vectoriales
de aplicaciones lineales. Recuerda que partiendo de bases en los correspondientes espacios
vectoriales de matrices, considerabas las aplicaciones lineales que estaban representadas por
dichas matrices. En el caso especial que nos interesa, el del espacio dual, partimos de una base
en Mn×1 (K), la más sencilla es la canónica, esto es, tomas las n matrices columna que tienen
un uno en una fila y cero en las restantes
(
1 si j = i
Mi = (aj1 ) ∈ Mn×1 (K) aj1 =
0 si j 6= i
Ahora tomas los n vectores de Vn∗ cuyas imágenes por ΦB,Bo son las matrices Mi esto es
¥ En otras palabras, los vectores ϕi ∈ Vn∗ son las aplicaciones lineales de Vn en R determinadas
sobre los vectores de la base B del siguiente modo
(
1 si j = i
ϕj (~xi ) =
0 si j 6= i
obtienes ası́ una base B ∗ = {ϕ1 , ϕ2 , ..., ϕn } de Vn∗ a la que llamaremos base dual de la base
B = {~x1 , ~x2 , ..., ~xn } de Vn .
¥ Te propongo el siguiente ejercicio. Imagı́nate que no sabes que los vectores ϕi ∈ Vn∗
definidos por (
1 si j = i
ϕj (~xi ) =
0 si j 6= i
forman una base de Vn∗ , entonces puedes probar directamente que son base de Vn∗ .
Quiero decir que puedes ver que son linealmente independientes y al ser n que es la dimensión
de Vn∗ entonces forman base. En efecto, para probar que son linealmente independientes, tomas
la ecuación
~
a1 ϕ1 + a2 ϕ2 + ... + an ϕn = O el vector cero del dual
pero O~ el la aplicación lineal de Vn en R que aplica cada vextor en el cero ası́
à n !
X
a j ϕj (~xi ) = 0 1≤i≤n
j=1
à n ! n
X X
aj ϕj (~xi ) = aj ϕj (~xi ) = ai = 0 1≤i≤n
j=1 j=1
¥ Dado Vn , tienes su dual Vn∗ . Elegida una base B = {~x1 , ~x2 , ..., ~xn } de Vn tienes su base dual
B ∗ = {ϕ1 , ϕ2 , ..., ϕn } en Vn∗ . En estas condiciones tienes la siguiente propiedad de dualidad:
23
Dado un vector ~x ∈ Vn entonces sus coordenadas en la base B se obtienen evaluando en
~x las n formas lineales de la base dual, es decir
n
X
~x = ϕi (~x) ~xi
i=1
Dada la forma lineal ϕ ∈ Vn∗ , entonces sus coordenadas en la base B ∗ se calcula aplicando
ϕ a los n vectores de B, es decir
n
X
ϕ= ϕ(~xj ) ϕj
j=1
ahora calculas
à n ! n
X X
ϕ(~xi ) = αj ϕj (~xi ) = αj ϕj (~xi ) = αi 1≤i≤n
j=1 j=1
¥ Ejemplo 1.- En K3 considera la base canónica Bo = {~e1 , ~e2 , ~e3 } y su base dual, Bo∗ =
∗ ∗
{ϕ1 , ϕ2 , ϕ3 }, en (K3 ) . Sea φ ∈ (K3 ) la forma lineal definida por
φ(~x) = φ(x, y, z) = 4x − 3y + 8z
¥ Ejemplo 2.- En K3 considera la base B = {~x1 = (1, −1, 0); ~x2 = (1, 1, 0); ~x3 = (1, 0, 1)}
∗
calcula su base dual, B ∗ = {φ1 , φ2 , φ3 }, en (K3 ) . Para ello consideramos φ1 = a11 x+a12 y+a13 z,
entonces
φ1 (1, −1, 0) = a11 − a12 = 1, φ1 (1, 1, 0) = a11 + a12 = 0, φ1 (1, 0, 1) = a11 + a13 = 0
24
ası́ a11 = 1/2 y a12 = a13 = −1/2. Es decir
1 1 1
φ1 (x, y, z) = x− y− z
2 2 2
análogamente si escribes φ2 = a21 x + a22 y + a23 z, obtienes
φ2 (1, −1, 0) = a21 − a22 = 0, φ2 (1, 1, 0) = a21 + a22 = 1, φ2 (1, 0, 1) = a21 + a23 = 0
φ3 (1, −1, 0) = a31 − a32 = 0, φ3 (1, 1, 0) = a31 + a32 = 0, φ3 (1, 0, 1) = a31 + a33 = 1
φ3 (x, y, z) = z
entonces la evaluamos sobre los tres vectores de la base canónica de K3 para obtener
(α1 ψ1 + α2 ψ2 + α3 ψ3 )(1, 0, 0) = α1 + α2 + α3 = 0
(α1 ψ1 + α2 ψ2 + α3 ψ3 )(0, 1, 0) = α1 + α2 = 0
(α1 ψ1 + α2 ψ2 + α3 ψ3 )(0, 0, 1) = α1 = 0
lo que prueba que α1 = α2 = α3 = 0 y ası́ la independencia lineal. Ahora nos podemos plantear
si existe una base, B, de R3 cuya base dual, B ∗ , es precisamente H. Tendremos que encontrar
vectores, ~x1 , ~x2 , ~x3 de manera que
(
1 si j = i
ψj (~xi ) =
0 si j 6= i
Para calcular ~x1 = (a11 , a12 , a13 ) tenemos ψ1 (~x1 ) = 1, ψ2 (~x1 ) = 0, ψ3 (~x1 ) = 0, lo que implica
Para calcular ~x2 = (a21 , a22 , a23 ) tenemos ψ1 (~x2 ) = 0, ψ2 (~x2 ) = 1, ψ3 (~x2 ) = 0, lo que implica
25
Para calcular ~x3 = (a31 , a32 , a33 ) tenemos ψ1 (~x3 ) = 0, ψ2 (~x3 ) = 0, ψ3 (~x3 ) = 1, lo que implica
ψ1 = ϕ 1 + ϕ 2 + ϕ 3 ψ2 = ϕ1 + ϕ2 ψ3 = ϕ 1
escribiendo los sus coordenadas en columnas, ya sabemos que esto se hace en el dual, se tiene
la matriz
1 1 1
(M (I∗ , B ∗ , Bo∗ ))t = 1 1 0
1 0 0
Por otro lado, la matriz cuyas filas son las coordenadas de los vectores de la base calculada,
B, en la base canónica es
0 0 1
M (I, B, Bo ) = 0 1 −1
1 −1 0
Puedes comprobar que estas dos matrices son inversas una de otra.
¨ Ciertamente todos estos espacios vectoriales son isomorfos al tener la misma dimen-
sión. Ya sabes que si tienes dos espacios vectoriales con la misma dimensión entonces puedes
elegir bases en cada uno de ellos y definir entre ellos una aplicación en la que vectores con
las mismas coordenads en las bases elegidas se corresponden. El resultado es un isomorfismo.
Naturalmente estos isomorfismos dependen de las bases elegidas y en este sentido,
diremos que no son naturales.
¨ A continuación vamos a ver que entre Vn y Vn∗∗ podemos establecer, definir, un isomorfismo
sin necesidad de elegir, previamente, bases en ninguno de ellos. Quiero con ello decir que todo
espacio vectorial y su bidual son isomorfos de manera natural. En este sentido, se
pueden identificar y aparece ası́ lo que muchos autores denominan teorema de reflexividad.
Pero vayamos por partes:
Definición de la aplicación.- Empezamos definiendo una aplicación entre ellos, Φ :
Vn → Vn∗∗ , de siguiente modo: si ~x ∈ Vn definimos su imagen en Vn∗∗ por
Naturalmente hay que asegurarse que Φ(~x) está realmente en Vn∗∗ = Hom(Vn∗ , K), esto
es, que es una aplicación lineal.
26
1. Si ϕ, ψ ∈ Vn∗ , entonces (Φ(~x)) (ϕ + ψ) = Φ(~x)(ϕ) + Φ(~x)(ψ)
F Todos los detalles de las pruebas los puedes hacer como ejercicio aunque se
discutirán en clase.
Lo primero que hacemos es considerar su base dual en el bidual, esto es H∗ = {ω1 , ω2 , ..., ωn }
base dual de H en Vn∗∗ , y ası́
(
1 si i = j
ωi (φj ) =
0 si i 6= j
Φ(~xi ) = ωi 1≤i≤n
27
18. Aplicación transpuesta de una lineal
N Siguiendo con la teorı́a de dualidad, vamos a ver que si partimos de una aplicación lineal
entre dos espacios vectoriales, entonces podemos definir otra entre sus duales pero cambiando
el sentido. De una manera más concreta, si f : Vn (K) → Wm (K) es una aplicación lineal
entonces se puede definir una aplicación
f ∗ : Wm
∗
(K) → Vn∗ (K) f ∗ (ψ) = ψ ◦ f
f ∗ (a ψ) = a f ∗ (ψ)
Probaremos la primera de las propiedades y la segunda se deja para que la hagas como un
ejercicio. Se tiene que probar la igualdad de dos vectores de Vn , esto es, de dos formas lineales
sobre Vn . Son iguales si toman el mismo valor en cada vector, ~x, de Vn
f ∗ (ϕ1 ) = a ϕ1 + b ϕ2
aplicamos esta forma lineal a los vectores de Bo para obtener
f ∗ (ϕ2 ) = c ϕ1 + d ϕ2
aplicamos esta forma lineal a los vectores de Bo para obtener
28
Por lo tanto la matriz de f ∗ en la base Bo∗ = {ϕ1 , ϕ2 } es
µ ¶
∗ ∗ −1 2
M (f , B ) =
3 1
29