AL - LM-PM-LCC Transformaciones lineales 29

3. Transformaciones lineales
Recordemos que uno de los objetivos del Álgebra Lineal es caracterizar la solución de sistemas
lineales, en el caso general de m ecuaciones con n incógnitas

a11 x1 ` ¨¨¨ ` a1n xn “ b1

.. .. ..
. . “ .
am1 x1 ` ¨ ¨ ¨ ` amn xn “ bm

donde los coeficientes están en K. El estudio de las transformaciones lineales y sus propiedades
nos dan buenas herramientas para caracterizar las soluciones de sistemas lineales.

3.1. Definiciones y propiedades elementales

En esta sección V y W son espacios vectoriales sobre K. Estudiaremos funciones de V en W con
propiedades particulares.

Definición 3.1 Una función T : V Ñ W es llamada lineal si verifica

Tpu ` vq “ Tpuq ` Tpvq, @u, v P V (4)

Tpαvq “ αTpuq, @u P V, @α P K. (5)

El conjunto de todas las funciones lineales de V en W se nota como LpV, Wq. Muchas veces se escribe Tu en
lugar de Tpuq. Se refiere frecuentemente a estas funciones como transformaciones lineales.
Si V “ W, se escribe LpV, Vq “ LpVq y se llama a T P LpVq un operador lineal sobre V.

Ejemplo 3.1 1. La aplicación nula 0 : V Ñ V que asigna a todo elemento v P V el 0 P W es lineal.

2. La identidad I : V Ñ V definida por Iv “ v es lineal.

3. Consideremos V “ Rrxs el espacio vectorial de polinomios sobre R y la aplicación T : Rrxs Ñ Rrxs

derivación, definida por Tpppxqq “ p1 pxq.
Luego para dos polinomios ppxq, qpxq P Rrxs, se tiene

Tpppxq ` qpxqq “ pppxq ` qpxqq1 “ p1 pxq ` q1 pxq “ Tpppxqq ` Tpqpxqq.

De manera similar para ppxq P Rrxs y un escalar α P K se tiene

Tpαppxqq “ pαppxqq1 “ αp1 pxq “ αTpppxqq,

por lo tanto T es lineal.

4. Sea T : R2 Ñ R2 la aplicación dada por Tpx, yq “ px ´ 2y, 3x ` yq. Luego para px, yq, px1 , y1 q P R2
se tiene
Tppx, yq ` px1 , y1 qq “ Tpx ` x1 , y ` y1 q “ px ` x1 ´ 2py ` y1 q, 3px ` x1 q ` y ` y1 q “
“ px ´ 2y, 3x ` yq ` px1 ´ 2y1 , 3x1 ` y1 q “ Tpx, yq ` Tpx1 , y1 q.

Además para α P R

Tpαpx, yqq “ Tpαx, αyq “ pαx ´ 2αy, 3αx ` αyq “ αpx ´ 2y, 3x ` yq “ αTpx, yq.

por lo tanto T es lineal. Más aun cualquier aplicación T : Kn Ñ Km definida por

Tpx1 , ¨ ¨ ¨ , xn q “ pa11 x1 ` ¨ ¨ ¨ ` a1n xn , ¨ ¨ ¨ , am1 x1 ` ¨ ¨ ¨ ` amn xn q,

con aij P K es lineal. Esto podrı́amos escribirlo considerando A “ paij qnˆm como Tx “ xA.

EMM (2023) 29
Álgebra Lineal
30 Transformaciones lineales AL - LM-PM-LCC

5. No todas las funciones son lineales. Por ejemplo la exponencial f pxq “ ex no es lineal pues e2x , 2ex .
La función f pxq “ x ´ 1 no es lineal pues f px ` yq “ x ` y ´ 1 , x ´ 1 ` y ´ 1 “ f pxq ` f pyq.

6. Sea K “ R y V “ CpRq el espacio vectorial de todas las funciones continuas de R en R. Definimos

T : V Ñ V como żx
pT f qpxq “ f ptqdt.
0
Es decir a cada función continua f le asignamos su función integral. Entonces T es una transformación
lineal de V en V.

Teorema 3.1 Sean V un espacio vectorial de dimensión finita, tv1 , ¨ ¨ ¨ , vn u una base ordenada de V. Sea W
un espacio vectorial sobre el mismo cuerpo K y w1 , ¨ ¨ ¨ , wn P W. Entonces existe una única transformación
lineal T : V Ñ W tal que Tpvi q “ wi para 1 ď i ď n.

Demos: Definamos la siguiente aplicación T sobre V. Para un v P V, existe única n-upla px1 , ¨ ¨ ¨ , xn q
tal que v “ x1 v1 ` ¨ ¨ ¨ ` xn vn , luego definimos

Tv “ x1 w1 ` ¨ ¨ ¨ ` xn wn .

T está bien definida (a cada vector v P V le asigna un vector Tv P W).

Veamos que T es lineal, sea u “ y1 v1 ` ¨ ¨ ¨ ` yn vn P V y α P K. Resulta

Tpαv ` uq “ Tppαx1 ` y1 qv1 ` ¨ ¨ ¨ ` pαx1 ` yn qvn q “ pαx1 ` y1 qw1 ` ¨ ¨ ¨ ` pαx1 ` yn qwn “ αTpvq ` Tpuq.

Supongamos que existe otra transformación lineal S : V Ñ V tal que Svi “ wi , 1 ď i ď n. Luego
para el vector v se tiene
n
ÿ n
ÿ n
ÿ
Sv “ Sp xi vi q “ xi Spvi q “ xi w “ Tv.
i“1 i“1 i“1

demostrando ası́ la unicidad.

Observación 3.1 aq Si T es una transformación lineal de V en W, entonces la imagen de T no sólo es un

subconjunto de W sino que es es un subespacio de W.
bq El conjunto de los vectores v P V tales que Tv “ 0 es un subespacio de V.

Definición 3.2 Sea T : V Ñ W una transformación lineal entre espacios vectoriales. Se define el espacio
nulo de T o núcleo de T o ker o kernel de T al conjunto de vectores de V que son aplicados en el 0 P W

nullpTq “ kerpTq “ tv P V : Tv “ 0u.

Ejemplo 3.2 Consideremos la transformación lineal derivación definida en el espacio de los polinomios
V “ Rrxs, Tpppxqq “ p1 pxq. Luego

nulpTq “ tppxq P Rrxs : Tppxq “ 0u “ tppxq P Rrxs : ppxq “ cteu.

Proposición 3.1 Sea T : V Ñ W una transformación lineal. Luego nulpTq es un subespacio vectorial de
V.

Demos: : Ejercicio

30 EMM (2023)
Álgebra Lineal
AL - LM-PM-LCC Transformaciones lineales 31

Observación 3.2 Recordemos que para una transformación lineal T : V Ñ W se dice que es:
iq inyectiva si para todos u, v P V, Tpuq “ Tpvq ñ u “ v.
iiq sobreyectiva si imgpTq “ W
iiiqbiyectiva si T es inyectiva y sobreyectiva.

Proposición 3.2 Sea T : V Ñ W una transformación lineal. Luego T es inyectiva si y solo si nulpTq “ t0u.

Demos: ñq Supongamos T inyectiva. Como nulpTq es un subespacio de V, sabemos que 0 P V.

Supongamos que existe otro vector v P V tal que está en el núcleo de T. Luego Tpvq “ 0 “ Tp0q.
Como T es inyectiva resulta v “ 0.
ðq Supongamos que nulpTq “ 0, sean u, v P V tal que Tu “ Tv. Luego 0 “ Tu ´ Tv “ Tpu ´ vq,
luego u ´ v P nulpTq, i.e. u “ v.

Definición 3.3 Las transformaciones lineales entre espacios vectoriales son también llamadas homomor-
fismos de espacios vectoriales . El espacio LpV, Wq también se nota como

HomK pV, Wq “ tT : V Ñ W : T es, linealu.

Un homomorfismos T : V Ñ W también es llamado:

iq Monomorfismo si T es inyectivo.
iiq Epimorfismo si T es sobreyectivo.
iiiq Isomorfismo si T es biyectivo.
ivq Endomorfismo si V “ W.
vq Automorfismo si V “ W y T es biyectivo.

Definición 3.4 Si V es de dimensión finita se dice que la dimensión de la imgpTq es el rango de T .

Teorema 3.2 Sean V y W espacios vectoriales sobre K y sea T : V Ñ W una transformación lineal.
Supongamos que dimpVq es finita. Luego

rangpTq ` dimpnulpTqq “ dim V.

Demos: Sea tv1 , v2 , ¨ ¨ ¨ , vk u una base de nulpTq. Existen vk`1 , ¨ ¨ ¨ , vk vectores en V tales que tv1 , ¨ ¨ ¨ , vn u
es base de V. Probaremos que tTvk`1 , ¨ ¨ ¨ , Tvn u es una base de imgpTq.
Los vectores Tv1 , ¨ ¨ ¨ , Tvn generan imgpTq y como Tv j “ 0 para 1 ď j ď k, se tiene que Tvk`1 , ¨ ¨ ¨ , Tvn
generan imgpTq.
Para ver que son linealmente independientes, supongamos que existen escalares ci P K tales que
n
ÿ n
ÿ n
ÿ
0“ ci pTvi q “ Tpci vi q “ Tp ci vi q “ 0.
i“k`1 i“k`1 i“k`1

n
ř
Es decir que u “ ci vi P nulpTq. Como v1 , ¨ ¨ ¨ , vk forman una base para nulpTq luego existen
i“k`1
k
ř
escalares bi P K con 1 ď i ď k tales que u “ bi vi . Ası́
i“1

k
ÿ n
ÿ
bi vi ´ ci vi “ 0.
i“1 i“k`1

Como los v1 , ¨ ¨ ¨ , vn son l.i. resulta b1 “ ¨ ¨ ¨ “ bk “ ck`1 “ ¨ ¨ ¨ “ cn “ 0.

El hecho que Tvk`1 , ¨ ¨ ¨ , Tvn formen una base de imgpTq nos dice que rangpTq “ n ´ k, como
dim V “ n y dimpnulpTqq “ k, demostramos el enunciado.

EMM (2023) 31
Álgebra Lineal
32 Transformaciones lineales AL - LM-PM-LCC

Teorema 3.3 Si A es una matriz m ˆ n con entradas en el campo K entonces rangpAq por filas es igual al
rangpAq por columnas.

Demos: Consideremos la transformación lineal T P LpKn`1 definida por Tpxq “ Ax. El espacio
nulo de T es el espacio solución del sistema Ax “ 0. La imagen de T es el conjunto de las matrices
columnas m ˆ 1 y tales que Ax “ y tiene alguna solución x.
Si A1 , ¨ ¨ ¨ , An son las columnas de A entonces

Ax “ x1 A1 ` ¨ ¨ ¨ ` xn An .

Por lo tanto la imagen de T es el subespacio generado por las columnas de A, vale decir que la
imagen de T es el espacio columna de A.

rangpTq “ rango por por columnas de A.

Ası́ el Teorema 3.2 dice que si S es el espacio solución para Ax “ 0, entonces

dimpSq ` rango por columnas pAq “ n.

Observemos que si R es una matriz escalonada reducida equivalente a A, con r filas no nulas,
entonces Rx “ 0 expresa a r de las incógnitas x1 , ¨ ¨ ¨ , xn en función de las restantes pn´rq incógnitas.
Esto es decir, si r es la dimensión del espacio fila de A, entonces el espacio solución S tiene una
base que consiste en n ´ r vectores:

dimpSq “ n ´ rango por f ilaspAq.

Luego surge lo que querı́amos probar.

3.2. El álgebra de las transformaciones lineales

Teorema 3.4 Sean V y W espacios vectoriales sobre el cuerpo K. Sean T, S P LpV, Wq. La función pT ` Sq
definida por
pT ` Sqpvq “ Tv ` Sv,
es una transformación lineal de V en W.
Si α P K, la función pαTq definida por
pαTqpvq “ αpTvq,
es una transformación lineal de V en W. El conjunto de todas las transformaciones lineales de V en
W junto a la suma y producto por escalares recién definidas, es un espacio vectorial sobre el cuerpo K.
pLpV, Wq, K, `, ¨q.

Demos: . pT ` Sqpcv ` uq “ cpT ` Sqpvq ` pT ` Sqpuq, luego T ` S es una transformación lineal.

pαTqpcv ` uq “ cpαTpvq ` pαTqpuq, luego αT es una transformación lineal.
Para ver que pLpV, Wq, K, `, ¨q deben comprobarse los axiomas que definen un espacio vectorial.
(Ejercicio).

Observación 3.3 aq Notaremos a este espacio vectorial como LpV, Wq.

bq LpV, Wq es un subespacio vectorial del espacio vectorial de todas las funciones definidas de V en W.

Teorema 3.5 Sea V un espacio n-dimensional sobre K y sea W un espacio m-dimensional sobre K. Luego
LpV, Wq es de dimensión finita y es de dimensión nm.

32 EMM (2023)
Álgebra Lineal
AL - LM-PM-LCC Transformaciones lineales 33

Demos: Sean B “ tv1 , ¨ ¨ ¨ , vn u y B1 “ tw1 , ¨ ¨ ¨ , wm u bases ordenadas de V y W respectivamente. Para

cada par de naturales pp, qq, con 1 ď p ď n y 1 ď q ď m definimos la transformación lineal Eqp de
V en W como sigue ˇ
qp
ˇ 0 si j , p,
E pv j q “ δ jp wq “ ˇˇ
wq si j “ p.
De acuerdo al Teorema 3.1, existe una única transformación lineal de V en W que cumple estas
condiciones. Veamos que las mn transformaciones Eqp forman una base para LpV, Wq.
Sea T P LpV, Wq. Para cada j, 1 ď j ď n, sean A1j , ¨ ¨ ¨ , Amj las coordenadas del Tv j en la base
ordenada B1 , es decir
ÿm
Tv j “ Aqj wq .
q“1

Veamos que
m ÿ
ÿ n
T“ Aqp Eqp . (6)
q“1 p“1

Sea U la transformación definida por el lado derecho de (6) entonces para cada j se tiene que
m ÿ
ÿ n m ÿ
ÿ n m
ÿ
qp
Uv j “ Aqp E pv j q “ Aqp δ jp wq “ Aqj wq “ Tv j .
q“1 p“1 q“1 p“1 q“1

En consecuencia U “ T.
Ası́ (6) muestra que Eqp , 1 ď p ď n, 1 ď q ď m generan LpV, Wq, falta probar que son independien-
tes.
ÿm ÿn
Si la transformación U “ Aqp Eqp es la transformación cero, entonces Uv j “ 0, @j, luego
q“1 p“1
m
ÿ
Aqj wq “ 0 y la independencia de los wq implica que Aqj “ 0, @q, j, como querı́amos probar.
q“1

Teorema 3.6 Sean V, W, Z espacios vectoriales sobre el cuerpo K. Sea T P LpV, Wq y S P LpW, Zq. Luego
la composición S ˝ T definida por

pS ˝ Tqpvq :“ pSTqpvq :“ STpvq :“ SpTpvqq

es una transformación lineal de V en Z, i.e. ST P LpV, Zq.

Demos: pSTqpαv`uq “ pSpTpαv`uqq “ SpαTpvq`Tpuqq “ αSpTpvqq`SpTpuqq “ αpSTqpvq`pSTqpuq.

Observación 3.4 Si en el Teorema 3.6 consideramos V “ W “ Z, T, S son operadores lineales (T P

LpV, Vq) y también lo es ST. De este modo LpVq tiene definida una ”multiplicación”dada por la composición.
En este caso TS también está definida pero en general ST , TS.
Notemos también que si T es un operador lineal sobre V, podemos componer a T con si mismo. Notaremos
T2 :“ T ˝ T “ TT y en general Tn :“ T ¨ ¨ ¨ T para n P N. Definimos T0 “ I si T , 0.

Lema 3.1 Sea V un espacio vectorial sobre K. Sean S, T1 , T2 P LpVq. Sea α P K, luego vale:
iq IS “ SI “ S.
iiq SpT1 ` T2 q “ ST1 ` ST2 , pT1 ` T2 qS “ T1 S ` T2 S
iiiq αpST1 q “ pαSqT “ SpαTq.

EMM (2023) 33
Álgebra Lineal
34 Transformaciones lineales AL - LM-PM-LCC

Demos: Ejercicio

Ejemplo 3.3 Sea B “ tv1 , ¨ ¨ ¨ , vn u una base ordenada de un espacio vectorial V. Consideremos los opera-
dores lineales Eqp que aparecen en la prueba del Teorema 3.5: Eqp pv j q “ δ jp vq .
Estos n2 operadores lineales forman una base del espacio de operadores lineales sobre V, LpVq.
A qué es igual la composición de Esr con Eqp aplicado a un v j

Esr Eqp pv j q “ Esr pδ jp vq q “ δ jp Esr pvq q “ δ jp δqr vs ,

es decir ˇ
sr qp
ˇ 0, si q , r,
E E “ ˇˇ sp
E , si q “ r.
ÿÿ
Sea T P LpVq. Vimos que si A j “ rTv j sB1 “B , A “ rA1 , ¨ ¨ ¨ , An s, entonces T “ Aqp Eqp .
q p
ÿÿ
Luego si S “ Bsr Esr es otro operador S P LpVq, por el Lema 3.1 se tiene que
s r
ÿÿ ÿÿ
ST “ p Bsr Esr qp Aqp Eqp q “
s r q p ˜ ¸
ÿÿÿÿ ÿÿ ř
“ Bsr Aqp Esr Eqp “ Bsq Aqp Esp “
s ÿ
r q p s p q
ÿ
“ pBAqsp Esp .
s p

Ası́, el efecto de componer T con S equivale a multiplicar las matrices B y A.

Observación 3.5 Recordemos que T : V Ñ W es inversible si y sólo si existe S : W Ñ Vq tal que ST es la

identidad en V y TS es la identidad en W.
Si T es inversible la función S es única y se nota por T´1 . Más aun, T es inversible si y sólo si T es biyectiva.

Teorema 3.7 Sean V y W espacios vectoriales sobre K y T P LpV, Wq. Si T es inversible, entonces su
inverso T´1 es una transformación lineal de W en V.

Demos: Sabemos que si T P LpV, Wq es inversible se tiene que TT´1 “ IW y T´1 T “ IV .

Sean w1 , w2 P W, α P K. Sea vi “ T´1 pwi q, i “ 1, 2, es decir que vi es el único vector de V tal que
Tvi “ wi .
Como T es lineal se tiene que

Tpαv1 ` v2 q “ αTpv1 q ` Tpv2 q “ αw1 ` w2 .

Ası́ αv1 ` v2 es el único vector de V que T envı́a a αw1 ` w2 . Luego

T´1 pαw1 ` w2 q “ αv1 ` v2 “ αT´1 pw1 q ` T´1 pw2 q,

luego T´1 es lineal.

Observación 3.6 Supongamos que T : V Ñ W y S : W Ñ Z son inversibles. Entonces ST es inversible y

pSTq´1 “ T´1 S´1 . Esta conclusión no requiere linealidad, sólo hay que chequear que efectivamente T´1 S´1
es inversa a derecha e izquierda de ST.

Observación 3.7 Si T es lineal, entonces Tpv ´ wq “ Tv ´ Tw, luego Tv “ Tw si y sólo si Tpv ´ wq “ 0,

esto simplifica la verificación de T inyectiva.
Una transformación lineal T es no singular si Tv “ 0 ñ v “ 0, o sea si el espacio nulo de T es t0u.

34 EMM (2023)
Álgebra Lineal
AL - LM-PM-LCC Transformaciones lineales 35

Teorema 3.8 Sea T P LpV, Wq. Luego T es no singular si y sólo si T lleva a cada subconjunto l.i. de V en
un subconjunto l.i. de W.

Demos: ñq Sea T no singular. Sea S Ă V, l.i.. Si v1 , ¨ ¨ ¨ , vk P S, entonces Tv1 , ¨ ¨ ¨ , Tvk son l.i. pues

0 “ α1 pTv1 q ` ¨ ¨ ¨ ` αk pTvk q “ Tpα1 v1 ` ¨ ¨ ¨ ` αk vk q,

y como T es no singular
α1 v1 ` ¨ ¨ ¨ ` αk vk “ 0
de donde surge que αi “ 0, @i pues S es l.i..
ðq Supongamos T lleva conjuntos l.i. en conjuntos l.i.. Sea 0 , v P V. Luego el conjunto S “ tvu es
independiente y tTvu es independiente, por lo tanto Tv , 0. Esto muestra que nulpTq “ t0u y por
lo tanto T no singular.

Definición 3.5 Si existe un isomorfismo de V en W, diremos que V y W son isomorfos

Observación 3.8 iq V es trivialmente isomorfo a V.

iiq Si V es isomorfo a W vı́a un isomorfismo T, entonces W es isomorfo a V pues T´1 es un isomorfismo de
W en V.
iiiq Si V es isomorfo a W y W es isomorfo a Z, entonces V es isomorfo a Z.

Por estas tres observaciones concluimos que la relación .es isomorfo a”define una relación de equivalencia
en el conjunto de todos los espacios vectoriales.

Teorema 3.9 Todo espacio vectorial n-dimensional sobre el cuerpo K es isomorfo al espacio vectorial Kn .

Demos: Sea V un espacio vectorial n-dimensional sobre K y sea B “ tv1 , ¨ ¨ ¨ , vn u una base ordenada
de V.
Definimos la función T : V Ñ Kn como sigue, para v P V, sea Tv “ px1 , ¨ ¨ ¨ , xn q la n-upla de
coordenadas de v relativas a la base ordenada B, i.e. v “ x1 v1 ` ¨ ¨ ¨ ` xn vn .
Esta aplicación ası́ definida resulta lineal, inyectiva y sobreyectiva.

3.3. Representación de transformaciones lineales por matrices

Teorema 3.10 Sea V un espacio vectorial n-dimensional sobre un cuerpo K y W un espacio vectorial m-
dimensional sobre K. Sea B una base ordenada de V y B1 una base ordenada de W. Para cada transformación
lineal T P LpV, Wq existe una matriz m ˆ n A con entradas en K tal que para cada vector v P V

rTvsB1 “ ArvsB .

Más aun la asignación T Ñ A es una correspondencia uno a uno entre el conjunto LpV, Wq y Mmˆn pKq.

Demos: Si v “ x1 v1 ` ¨ ¨ ¨ ` xn vn P V, entonces
n
ÿ n
ÿ n
ÿ m
ÿ m ÿ
ÿ n
Tv “ Tp x jv jq “ x j pTv j q “ x jp Aij wi q “ p Aij x j qwi .
j“1 j“1 j“1 i“1 i“1 j“1

Si X es la matriz de coordenadas de v en la base ordenada B, entonces esto muestra que AX es

la matriz de coordenadas del vector Tv en la base ordenada B1 . Observemos además que si A es
cualquier matriz m ˆ n sobre K, entonces
n
ÿ m ÿ
ÿ n
Tp x jv jq “ p Aij x j qwi
j“1 i“1 j“1

EMM (2023) 35
Álgebra Lineal
36 Transformaciones lineales AL - LM-PM-LCC

define una transformación lineal T P LpV, Wq, cuya matriz asociada relativa a las bases ordenadas
B y B1 es A.
Ası́ esta matriz A asociada a T se llama matriz de T relativa a las bases B y B1 .

Observación 3.9 A es la matriz cuyas columnas A1 , ¨ ¨ ¨ , An son A j “ rTv j sB1 , j “ 1, ¨ ¨ ¨ , n. Si S P

LpV, Wq es otra transformación lineal y C “ rC1 , ¨ ¨ ¨ , Cn s es la matriz de S relativa a las bases ordenadas
B y B1 entonces αA ` C es la matriz asociada a la transformación αT ` S relativa a las bases B y B1 .

αA j ` C j “ αrTv j sB1 ` rSv j sB1 “ rαTv j ` Sv j sB1 “ rpαT ` Sqv j sB1 .

En vista del teorema precedente y la observación podemos enunciar el siguiente

Teorema 3.11 Sea V un espacio vectorial n-dimensional sobre K y sea W un espacio m-dimensional sobre
K. Para cada par de bases ordenadas B y B1 para V y W respectivamente, la aplicación que a cada T P LpV, Wq
le asigna A P Mmˆn pKq, su matriz asociada relativa a B y B1 , es un isomorfismo entre los espacios vectoriales
LpV, Wq y Mmˆn pKq.

Demos: La función en cuestión es lineal, visto en la observación, y es biyectiva, visto en el teorema

anterior.

Observación 3.10 Veamos que sucede con la representación de operadores lineales (transformaciones li-
neales de un espacio V en si mismo). Conviene usar la misma base ordenada B. Ası́ llamaremos a la matriz
de T como la matriz de T relativa a la base ordenada B.

Nota 3.1 Si T es un operador lineal sobre un espacio vectorial de dimensión finita V y B “ v1 , ¨ ¨ ¨ , vn es

una base ordenada de V, la matriz de T relativa a B es la matriz n ˆ n, A cuyas entradas Aij están definidas
por
ÿn
Tv j “ Aij vi , j “ 1, ¨ ¨ ¨ , n.
i“1

Debemos recordar que esta matriz que representa a T depende de la base ordenada B, para cada base ordenada
obtendremos una matriz diferente que representa al mismo operador lineal T. Para hacer más explı́cita esta
dependencia puede notarse como rTsB a la matriz del operador lineal T en la base ordenada B. La forma en
la que esta matriz y la base ordenada describen al operador T es tal que para cada v P V se tiene

rTvsB “ rTsB rvsB .

Ejemplo 3.4 Sea V “ Mnˆ1 pKq. Sea W “ Mmˆ1 pKq. Sea A P Mmˆn pKq fija. Sea T P LpV, Wq definida
por TpXq “ AX.
Sea B la base ordenada para V análoga a la base estándar en Kn (el vector ei es la matriz n ˆ 1 con un 1 en la
fila i y 0 en las otras). Sea B1 la base ordenada para W análoga a la base estándar en Km . Entonces la matriz
de T relativa al par B, B1 es la matriz A.

Ejemplo 3.5 Sea K un cuerpo y T un operador sobre K2 definido por Tpx1 , x2 q “ px1 , 0q.
Es fácil ver que es un operador lineal sobre K2 . Sea B “ e1 , e2 la base ordenada estándar para K2 . Se tiene
que
Te1 “ Tp1, 0q “ p1, 0q, Te2 “ Tp0, 1q “ p0, 0q.
„ 
1 0
La matriz de T en la base ordenada B es rTsB “ .
0 0

36 EMM (2023)
Álgebra Lineal
AL - LM-PM-LCC Transformaciones lineales 37

Ejemplo 3.6 Sea V el espacio de todos los polinomios sobre R de grado menor o igual a 3, i.e.

V “ tppxq : ppxq “ c0 ` c1 x ` c2 x2 ` c3 x3 , ci P R, i “ 0, ¨ ¨ ¨ , 3u.

El operador derivada D va de V en V. Sea B “ t f1 , f2 , f3 , f4 u base ordenada de V con f j pxq “ x j´1 . Luego

pD f1 qpxq “ 0, D f1 “ 0 f1 ` 0 f2 ` 0 f3 ` 0 f4 ,
pD f2 qpxq “ 1, D f2 “ 1 f1 ` 0 f2 ` 0 f3 ` 0 f4 ,
pD f3 qpxq “ 2x, D f3 “ 0 f1 ` 2 f2 ` 0 f3 ` 0 f4 ,
pD f4 qpxq “ 3x2 , D f4 “ 0 f1 ` 0 f2 ` 3 f3 ` 0 f4 .

La matriz de D en la base ordenada B es

» fi
0 1 0 0
—0 0 2 0ffi
rDsB “ —
–0
ffi.
0 0 3fl
0 0 0 0

Teorema 3.12 Sea V, W y Z espacios vectoriales de dimensión finita sobre el cuerpo K. Sea T P LpV, Wq
y S P LpW, Zq. Si B, B1 y B2 son bases ordenadas para V, W y Z respectivamente y si A es la matriz de T
relativa a B y B1 y C es la matriz de S relativa a B1 y B2 , entonces la matriz de la composición ST relativa a
B y B2 es la matriz D “ CA.

Demos: Sean B “ tv1 , ¨ ¨ ¨ , vn u, B1 “ tw1 , ¨ ¨ ¨ , wm u y B2 “ tz1 , ¨ ¨ ¨ , zp u. Para v P V cualquiera se tiene

rTvsB1 “ ArvsB , rSpTvqsB2 “ BrTvsB1 , rpSTqvsB2 “ CArvsB ,

y por lo tanto por definición y unicidad de la matriz asociada, se tiene que D “ CA.
También puede demostrarse esto a través del cálculo
m
ÿ m
ÿ m
ÿ p
ÿ p ÿ
ÿ m
pSTqv j “ SpTv j q “ Sp Ak j wk q “ Ak j pSwk q “ Ak j Cik zi “ p Cik A jk qzi .
k“1 k“1 k“1 i“1 i“1 k“1

m
ÿ
∴ Dij “ Cik Ak j ,
k“1

como querı́amos probar.

Observación 3.11 Si T y S son operadores lineales sobre V y los representamos mediante una única base
ordenada B, entonces
rSTsB “ rSsB rTsB .
Ası́ la correspondencia que determina B entre operadores y matrices no sólo es un isomorfismo de espacios
vectoriales sino que preserva productos. Una consecuencia de esto es que el operador lineal T será inversible
si y solo si rTsB es una matriz inversible. Es decir que ST “ TS “ I equivale a rSsB rTsB “ rTsB rSsB “ I.
Además cuando T es inversible resulta rT´1 sB “ rTs´1 B
.

Teorema 3.13 Sea V un espacio vectorial de dimensión finita sobre el cuerpo K, y sean B “ vtv1 , ¨ ¨ ¨ , vn u
y B1 “ tv11 , ¨ ¨ ¨ , v1n u bases ordenadas de V. Supongamos que T es un operador lineal sobre V. Si P “
rP1 , ¨ ¨ ¨ , Pn s es la matriz n ˆ n con columnas P j “ rv1j sB , entonces

rTsB1 “ P´1 rTsB P.

EMM (2023) 37
Álgebra Lineal
38 Transformaciones lineales AL - LM-PM-LCC

Demos: Por lo visto anteriormente, existe una única matriz n ˆ n inversible P tal que para cada
vPV
rvsB “ PrvsB1 , (7)

donde P “ rP1 , ¨ ¨ ¨ , Pn s con P j “ rv1j sB .

Por definición
rTvsB “ rTsB rvsB . (8)

Aplicando (7) a Tv se obtiene

rTvsB “ PrTvsB1 . (9)

Combinando (7), (8) y (9) se obtiene

rTsB PrvsB1 “ PrTvsB1 o P´1 rTsB PrvsB1 “ rTvsB1 ,

de donde rTsB1 “ P´1 rTsB P.

Observemos además que existe un único operador lineal S que lleva B en B1 definido por

Sv j “ v1j , j “ 1, ¨ ¨ ¨ , n.

Este operador es inversible ya que lleva una base de V en una base de V. Precisamente la matriz P
n
ř
es la matriz del operador S en la base ordenada B. Pues, P está definida por v1j “ Pij vi y como
i“1
Sv j “ v1j , podemos escribir
n
ÿ
Sv j “ Pij vi .
i“1

Ası́ P “ rSsB por definición, como querı́amos ver.

Ejemplo 3.7 Sea T el operador lineal sobre R2 definido por Tpx1 , x2 q “ px1 , 0q. Vimos que
„
1 0
rTsB “ .
0 0

Supongamos que B1 “ tpe11 , e12 u con e11 “ p1, 1q y e12 “ p2, 1q es otra base ordenada de R2 . Entonces se tiene
que
e11 “ e1 ` e2
e12 “ 2e1 ` e2
„ 
1 2
Luego P es la matriz P “ .
1 1
„ 
´1 2
Ası́ P´1 “ y surge que
1 ´1
„ „ „  „ 
´1 ´1 2 1 0 1 2 ´1 ´2
rTsB1 “ P rTsB P “ “ .
1 ´1 0 0 1 1 1 2

Es sencillo de comprobarlo pues

Te11 “ p1, 0q “ ´e11 ` e12 ,

Te12 “ p2, 0q “ ´2e11 ` 2e12 .

38 EMM (2023)
Álgebra Lineal
AL - LM-PM-LCC Transformaciones lineales 39

Ejemplo 3.8 Sea V el espacio vectorial del ejemplo 3.6. Sea t P R y definamos g j pxq “ px ` tq j´1 , o sea

g1 “ f1 ,
g2 “ t f1 ` f2 ,
g3 “ t2 f1 ` 2t f2 ` f3 ,
g4 “ t3 f1 ` 3t2 f2 ` 3t f3 ` f4 .

Como la matriz
t t 2 t3
» fi
1
—0 1 2t 3t2 ffi
P“—
–0
ffi
0 1 3t fl
0 0 0 1
es inversible siendo
1 ´t t2 ´t3
» fi
—0 1 ´2t 3t2 ffi
P´1 “— ffi
–0 0 1 ´3tfl
0 0 0 1
sigue que B1 “ tg1 , g2 , g3 , g4 u es una base ordenada de V.
Vimos en el ejemplo 3.6 que » fi
0 1 0 0
—0 0 2 0ffi
rDsB “ —–0 0 0
ffi.
3fl
0 0 0 0
Entonces la matriz del operador D en la base ordenada B1 es

1 ´t t2 ´t3 t t 2 t3
» fi» fi» fi » fi
0 1 0 0 1 0 1 0 0
— 0 1 ´2t 3t2 ffi —0 0 2 0ffi —0 1 2t 3t2 ffi —0 0 2 0ffi
P´1 rDsB P “ — ffi— ffi— ffi“— ffi
–0 0 1 ´3tfl –0 0 0 3fl –0 0 1 3t fl –0 0 0 3fl
0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0

Es decir que D es representado por la misma matriz en las bases ordenadas B y B1 .

Definición 3.6 Sean A y B matrices n ˆ n sobre el cuerpo K. Diremos que B es similar a A sobre K si
existe una matriz n ˆ n inversible P sobre K tal que B “ P´1 AP.

EMM (2023) 39
Álgebra Lineal
40 Transformaciones lineales AL - LM-PM-LCC

3.4. Producto y cociente de espacios vectoriales

Como venı́amos trabajando todos los espacios vectoriales involucrados en lo que sigue son
sobre el mismo cuerpo K.
Definición 3.7 Sean V1 , V2 , ¨ ¨ ¨ , Vm espacios vectoriales sobre K, se define el producto de los e.v.
V1 , V2 , ¨ ¨ ¨ , Vm como
V1 ˆ V2 ˆ ¨ ¨ ¨ ˆ Vm “ tpv1 , v2 , ¨ ¨ ¨ , vm q : v1 P V1 , ¨ ¨ ¨ vm P Vm u.
Definimos las siguientes operaciones en V1 ˆ ¨ ¨ ¨ ˆ Vm :
adición:
pu1 , ¨ ¨ ¨ , um q ` pv1 , ¨ ¨ ¨ , vm q “ pu1 ` v1 , ¨ ¨ ¨ , um ` vm q;
producto por escalares:
αpu1 , ¨ ¨ ¨ , um q “ pαu1 , ¨ ¨ ¨ , αum q.

Teorema 3.14 Sean V1 , ¨ ¨ ¨ , Vm espacios vectoriales sobre K, luego V1 ˆ ¨ ¨ ¨ ˆ Vm con las operaciones
definidas es un espacio vectorial sobre K.

Demos: : Ejercicio

Ejemplo 3.9 1. Consideremos R2 rxs, el espacio de los polinomios de grado menor o igual a 2, y R3 ,
luego el espacio vectorial R2 rxs ˆ R3 , está constituido por pares ordenados, donde el primer elemento
es un polinomio de grado menor o igual a 2 y el segundo un elemento de R3 . Por ejemplo
ˆ ˙
7 2
7 ´ πx ` x , p1, 0, 1q P R2 rxs ˆ R3 .
23

2. ¿R3 ˆ R2 es igual a R5 ? ¿Son isomorfos?

La respuesta a la primera pregunta es NO. Los elementos de R2 ˆR son pares de forma ppx1 , x2 , x3 q, px4 , x5 qq
con x1 , x2 , x3 , x4 , x5 P R, mientras que los elementos de R5 son 5-uplas de forma px1 , x2 , x3 , x4 , x5 q
con x1 , x2 , x3 , x4 , x5 P R.
Lo que si podemos asegurar es que son espacios vectoriales isomorfos siendo la transformación
R3 ˆ R2 Ñ R5
ÞÑ px1 , x2 , x3 , x4 , x5 q,
claramente un isomorfismo.

Teorema 3.15 Sean V1 , ¨ ¨ ¨ , Vm espacios vectoriales sobre K de dimensión finita. Luego resulta V1 ˆ ¨ ¨ ¨ ˆ
Vm de dimensión finita y se verifica
dimpV1 ˆ ¨ ¨ ¨ ˆ Vm q “ dimpV1 q ` ¨ ¨ ¨ ` dimpVm q.

Demos: Elijamos una base B j para cada espacios V j , j “ 1, ¨ ¨ ¨ , n. Para cada uno de los vectores
j j
ui P B j , i “ 1, ¨ ¨ ¨ , dimpV j q consideremos el vector de V1 ˆ ¨ ¨ ¨ ˆ Vm que tiene al vector ui en la
entrada j-ésima y 0 en el resto de los lugares. La conjunto de todos esos vectores es linealmente
independiente, genera el espacio V1 ˆ ¨ ¨ ¨ ˆ Vm y tiene cardinal dimpV1 q ` ¨ ¨ ¨ ` dimpVm q.

Ejemplo 3.10 Sean V1 , V2 espacios vectoriales sobre el cuerpo K. La transformaciones

π j : V1 ˆ V2 Ñ V j
j “ 1, 2,
pv1 , v2 q ÞÑ π j pv1 , v2 q “ v j
llamadas proyecciones son transformaciones epimorfismos. Se tiene además que
dimpnulpπ j q “ dimpV3´ j q, j “ 1, 2.

40 EMM (2023)
Álgebra Lineal
AL - LM-PM-LCC Transformaciones lineales 41

Espacio cociente
Lema 3.2 Sea U Ď V espacio vectorial sobre K. La relación definida en V como
s.e.

w „.U v ô w ´ v P U,

es una relación de equivalencia.

Demos: Ejercicio

Nota 3.2 Como toda relación de equivalencia define una partición del conjunto en la que está definida dada
por las clases de equivalencias. Recordemos que para v P V su clase de equivalencia está dada por

rvs “ tw P V : w „.U vu “ tw P V : w ´ v P Uu “ tw P V : w P v ` Uu “ v ` U.

Si consideramos el espacio cociente de V por la relación „.U formado por las clases de equivalencias
resulta
V{ „.U “ trvs : v P Vu “ tv ` U : v P Vu “ V{U.

Ejemplo 3.11 .
Sea V “ R2 y U “ tpα, ´ α2 q P R2 : α P Ru, claramente U es la recta de
pendiente ´ 12 que pasa por el origen. Ası́

rp2, 3qs “ p2, 3q ` U,

es la recta de R2 de pendiente ´ 12 que pasa por el punto p2, 3q.

Definición 3.8 Sea U Ď V espacio vectorial sobre K. Definimos en el espacio cociente las siguientes
s.e.
operaciones de adición y multiplicación por escalares. Para rvs, rws P V{U y α P K

rvs ` rws “ rv ` ws “ pv ` wq ` U “ pv ` Uq ` pw ` Uq,

αrvs “ rαvs “ pαvq ` U “ αpv ` Uq.

Lema 3.3 Las operaciones de adición y multiplicación por escalares en V{U están bien definidas.

Demos: . Debemos comprobar que efectivamente están bien definidas las operaciones, es decir, no
dependen del representante de la clase de equivalencia que estemos considerando.
Para ello sean v̂ P rvs “ v ` U, es decir que v̂ ` U “ v ` U y ŵ P rws “ w ` U, ası́ tenemos

rv̂s ` rŵs “ rv̂ ` ŵs “ v̂ ` ŵ ` U “ v̂ ` U ` ŵ ` U “ pv ` Uq ` pw ` Uq “ rvs ` rws.

De manera análoga resulta para v̂ P rvs “ v ` U y α P K

αrv̂s “ rαv̂s “ αpv̂ ` Uq “ αpv ` Uq “ rαvs “ αrvs,

como querı́amos demostrar.

Teorema 3.16 Sea U Ď V espacio vectorial sobre K. El conjunto cociente V{U con las operaciones definidas
s.e.
es un espacio vectorial sobre K.

Demos: Habiendo probado que las operaciones están bien definidas, la demostración es sencilla.
Notemos que el elemento neutro de V{U está dado por r0s “ 0 ` U “ U y el opuesto de rvs es
r´vs.

EMM (2023) 41
Álgebra Lineal
42 Transformaciones lineales AL - LM-PM-LCC

Definición 3.9 Sea U Ď V espacio vectorial sobre K. La aplicación cociente π es la transformación

s.e.
lineal
π: V Ñ V{U
v ÞÑ πpvq “ rvs.

Ejercicio 3.1 Probar que efectivamente π es una transformación lineal.

Teorema 3.17 Sea U Ď V espacio vectorial sobre K, de dimensión finita. Luego se verifica
s.e.

dimpV{Uq “ dimpVq ´ dimpUq.

Demos: Sea π la aplicación cociente de V en V{U. Por el Teorema 3.16 sabemos que nulpπq “ U,
además resulta claro que imgpπq “ V{U. Ası́ usando el Teorema 3.2 resulta

dimpVq “ dimpUq ` dimpimgpπqq “ dimpUq ` dimpV{Uq,

obteniéndose lo buscado.

3.5. Funcionales lineales

Definición 3.10 Sea V un espacio vectorial sobre el cuerpo K, una transformación lineal de V en K se dice
un funcional lineal sobre V.

Ejemplo 3.12 1. Sea K un cuerpo, y a1 , ¨ ¨ ¨ , an P K. Definimos una función sobre Kn por

f px1 , ¨ ¨ ¨ , xn q “ a1 x1 ` ¨ ¨ ¨ ` an xn .

f es un funcional lineal sobre Kn . Es el funcional lineal que se representa por la matriz ra1 , ¨ ¨ ¨ , an s
relativa a la base ordenada estándar de Kn y la base t1u de K

a j “ f pe j q, j “ 1, ¨ ¨ ¨ , n.

Todo funcional lineal sobre Kn es de esta forma para algunos escalares a1 , ¨ ¨ ¨ , an , pues
n
ÿ n
ÿ n
ÿ n
ÿ
f px1 , ¨ ¨ ¨ , xn q “ f p x je jq “ f px j e j q “ x j f pe j q “ x ja j.
j“1 j“1 j“1 j“1

2. Sea n P N y K un cuerpo. Si A P Mnˆn pKq, luego la traza define un funcional lineal sobre Mnˆn pKq.
n
Recordemos que si A “ pai j qni,j“1 luego trA “
ř
a jj .
j“1

3. Sea V “ Krxs el espacio de todos los polinomios de K en si mismo. Sea t P K, definimos

Lt ppq “ pptq,

luego Lt es un funcional lineal sobre V. Lt se dice la evaluación en t.

4. Sea ra, bs un intervalo cerrado de R y sea Cpra, bsq el espacio vectorial de las funciones continuas a
valores reales sobre ra, bs, Luego
żb
Lpgq “ gptqdt,
a
define un funcional lineal L sobre Cpra, bsq.

42 EMM (2023)
Álgebra Lineal
AL - LM-PM-LCC Transformaciones lineales 43

Definición 3.11 Si V es un espacio vectorial, el conjunto de todos los funcionales lineales sobre V forma
un espacio vectorial. Es el espacio LpV, Kq, al que se nota V ˚ y se llama espacio dual de V.

V ˚ “ LpV, Kq.

Observación 3.12 Si V es de dimensión finita, sabemos por el Teorema 3.5 que dim V ˚ “ dim V.
Sea B “ tv1 , ¨ ¨ ¨ , vn u una base ordenada de V. Por el Teorema 3.1 para cada i existe un único funcional
lineal fi sobre V tal que fi pvi q “ δi j .
Ası́ obtenemos de B un conjunto de n funcionales lineales distintos f1 , ¨ ¨ ¨ , fn sobre V. Veamos que son l.i..
n
ř
Sea f “ ci fi , luego
i“1
n
ÿ n
ÿ
f pv j q “ ci f j pv j q “ ci δij “ c j .
i“1 i“1

En particular, si f es el funcional cero, f pv j q “ 0, @j y por lo tanto todos los c j son cero.

Entonces t f1 , ¨ ¨ ¨ , fn u son l.i. y ya sabemos que dim V ˚ “ n, surge que B˚ “ t f1 , ¨ ¨ ¨ , fn u es una base para
V ˚ , es la llamada base dual de B .

Teorema 3.18 Sea V un espacio vectorial de dimensión finita sobre un cuerpo K y sea B “ tv1 , ¨ ¨ ¨ , vn u
una base ordenada de V. Entonces existe una única base dual B˚ “ t f1 , ¨ ¨ ¨ , fn u de V ˚ tal que fi pv j q “ δi j .
Para cada funcional lineal f sobre V se tiene que
n
ÿ
f “ f pvi q fi ,
i“1

n
ř
y para cada vector v P V se tiene que v “ f pvi qvi .
i“1

Demos: Ya vimos que existe una única base que es la base dual de B.
n
ř
Si f P V ˚ , luego f es combinación lineal de los elementos fi , f “ ci fi y los escalares ci deben ser
i“1
n
ř
ci “ f pvi q. De manera similar, si v “ xi vi P V, luego
i“1

n
ÿ n
ÿ
f j pvq “ xi f j pvi q “ xi δij “ x j .
i“1 i“1

n
ř
Luego la única expresión para v como combinación lineal de los vi es v “ f pvi qvi , como
i“1
querı́amos probar.

Observación 3.13 Si B “ tv1 , ¨ ¨ ¨ , vn u es una base ordenada de V y B˚ “ t f1 , ¨ ¨ ¨ , fn u es la base dual,

entonces fi es precisamente la función que le asigna a cada vector v P V la coordenada i-ésima de v relativa
a la base ordenada B. Ası́ podemos llamar a fi las funciones coordenadas para B.
Si f P V ˚ y f pvi q “ ai , entonces cuando

v “ x1 v1 ` ¨ ¨ ¨ ` xn vn Ñ f pvq “ a1 x1 ` ¨ ¨ ¨ ` an xn .

Es decir, si elegimos una base ordenada B para V y representamos a cada vector de V por la n-upla de
sus coordenadas px1 , ¨ ¨ ¨ , xn q relativas a B, luego cada funcional lineal sobre V tiene la forma f pvq “
a1 x1 ` ¨ ¨ ¨ ` an xn . Esto es la generalización natural del Ejemplo 1.

EMM (2023) 43
Álgebra Lineal
44 Transformaciones lineales AL - LM-PM-LCC

Ejemplo 3.13 Sea V el espacio vectorial de todos los polinomios de R en R con grado menor o igual a 2.
Sean t1 , t2 , t3 tres números reales cualesquiera y sea Li ppq “ ppti q. Resultan funcionales lineales sobre V, y
son l.i. pues si L “ c1 L1 ` c2 L2 ` c3 L3 y L “ 0 (Lppq “ 0 para cada polinomio p en V) entonces aplicando
L a los polinomios 1, x, x2 se obtiene

c1 ` c2 ` c3 “ 0,
t1 c1 ` t2 c2 ` t3 c3 “ 0,
t21 c1 ` t22 c2 ` t23 c3 “ 0,

y de aquı́ surge que c1 “ c2 “ c3 “ 0 pues la matriz

» fi
1 1 1
–t1 t2 t3 ,fl
t21 t22 t23

es inversible cuando t1 , t2 , t3 distintos.

Entonces los Li son independientes y como la dim V “ 3, estos funcionales forman una base para V ˚ .
Nos preguntamos cual es la base ordenada de V para la cual ésta es su base dual. Tal base tp1 , p2 , p3 u para V
debe satisfacer que Li pp j q “ δi j es decir que p j pti q “ δij . Se obtiene fácilmente que dichos polinomios están
dados por

px ´ t2 qpx ´ t3 q px ´ t3 qpx ´ t1 q px ´ t1 qpx ´ t2 q

p1 pxq “ , ; p2 pxq “ , ; p3 pxq “ .
pt1 ´ t2 qpt1 ´ t3 q pt2 ´ t1 qpt2 ´ t3 q pt3 ´ t1 qpt3 ´ t2 q

La base tp1 , p2 , p3 u para V es interesante pues se tiene que para cada p P V p “ ppt1 qp1 ` ppt2 qp2 ` ppt3 qp3 .
Ası́ dados c1 , c2 , c3 P R cualesquiera, existe exactamente un polinomio p sobre R que tiene al menos grado
2 y satisface ppt j q “ c j , j “ 1, 2, 3. Dicho polinomio es p “ c1 p1 ` c2 p2 ` c3 p3 .

Observación 3.14 Relación entre funcional lineal y subespacio

Si f es un funcional lineal no nulo, entonces el rango de f es 1 pues la imagen de f es un subespacio no nulo
del campo escalar y por lo tanto debe ser el campo escalar mismo.
Si el espacio V es de dimensión finita n, por el teorema de la dimensión sabemos que

dimpnul f q “ dim V ´ 1 “ n ´ 1.

Definición 3.12 En un espacio vectorial de dimensión finita n, un subespacio de dimensión n ´ 1 se llama

hiperespacio o hiperplano o subespacio de codimensión 1.

Definición 3.13 Si V es un espacio vectorial sobre K y S es un subconjunto de V, el anulador de S es el

conjunto S˝ de funcionales lineales sobre V tales que f pvq “ 0, @v P S.

Observación 3.15 iq S˝ es un subespacio vectorial aunque S no lo sea.

iiq Si S “ t0u, S˝ “ V ˚ .
iiiq Si S “ V, S˝ es el subespacio t0u de V.

Teorema 3.19 Sea V un espacio vectorial de dimensión finita sobre el cuerpo K, y sea W un subespacio de
V entonces
dim W ` dim W ˝ “ dim V.

Demos: Sea dim W “ k y tv1 , ¨ ¨ ¨ , vk u una base de W. Elijamos vk`1 , ¨ ¨ ¨ , vn P V tales que B “
tv1 , ¨ ¨ ¨ , vn u sea una base de V.
Sea t f1 , ¨ ¨ ¨ , fn u la base de V ˚ dual de la base B de V. Veamos que t fk`1 , ¨ ¨ ¨ , fn u es base de W ˝ .
Ciertamente fi P W ˝ para i “ k ` 1, ¨ ¨ ¨ , n pues fi pv j q “ δij y δij “ 0 si i ě k ` 1 y j ď k.
De aquı́ sigue que para i ě k ` 1, fi pvq “ 0 cuando v es una combinación lineal de v1 , ¨ ¨ ¨ , vn . Los

44 EMM (2023)
Álgebra Lineal
AL - LM-PM-LCC Transformaciones lineales 45

funcionales fk`1 , ¨ ¨ ¨ , fn son independientes, ası́ que sólo falta ver que generan w˝ .
řn n
ř
Sea f P V ˚ . Ahora f “ f pvi q fi , luego si f P W ˝ se tiene que f pvi q “ 0, i ď k y f “ f pvi q fi .
i“1 i“k`1
Ası́ se tiene que dim W ˝ “ n ´ k.

Corolario 3.1 Si W es un subespacio k-dimensional de un espacio vectorial V n-dimensional, entonces W

es la intersección de pn ´ kq hiperplanos de V.

Demos: En la demostración anterior, W es exactamente el conjunto de vectores v tales que fi pvq “ 0,

i “ k ` 1, ¨ ¨ ¨ , n. En el caso k “ n ´ 1, W es el espacio nulo de fn .

Corolario 3.2 Si W1 y W2 son subespacios de un espacio vectorial de dimensión finita, entonces W1 “ W2

si y solo si W1˝ “ W2˝ .

Demos: Si W1 “ W2 , obviamente W1˝ “ W2˝ .

Si W1 , W2 , entonces uno de los dos subespacios contiene un vector que no está en el otro.
Supongamos que existe v P W2 y v < W1 .
Por lo anterior existe un funcional f tal que f puq “ 0, @u P W1 pero f pvq , 0. Entonces f P W ˝ pero
v < W2˝ .

Ejemplo 3.14 Consideremos tres funcionales sobre R4 .

f1 px1 , x2 , x3 , x4 q “ x1 ` 2x2 ` 2x3 ` x4
f2 px1 , x2 , x3 , x4 q “ 2x2 ` x4
f3 px1 , x2 , x3 , x4 q “ ´2x1 ´ 4x3 ` 3x4 .
El subespacio que ellos anulan puede hallarse explı́citamente al hallar la matriz escalonada reducida de
» fi
1 2 2 1
A “ – 0 2 0 1fl ,
´2 0 ´4 3
que es » fi
1 0 2 0
B “ –0 1 0 0fl .
0 0 0 1
Luego los funcionales
g1 px1 , x2 , x3 , x4 q “ x1 ` 2x3
g2 px1 , x2 , x3 , x4 q “ x2
g3 px1 , x2 , x3 , x4 q “ x4 .
generan al mismo subespacio de pR4 q˚ y anulan al mismo subespacio de R4 que f1 , f2 , f3 . El subespacio
anulado consiste en los vectores con

x1 “ ´2x3 , x2 “ x4 “ 0.

Ejemplo 3.15 Sea W el subespacio de R5 generado por

v1 “ p2, ´2, 3, 4, ´1q
v2 “ p´1, 1, 2, 5, 2q
v3 “ p0, 0, ´1, ´2, 3q.
v4 “ p1, ´1, 2, 3, 0q.
¿Cómo describimos a W ˝ el anulador de W?

EMM (2023) 45
Álgebra Lineal
46 Transformaciones lineales AL - LM-PM-LCC

Formemos la matriz A 4 ˆ 5 con los vectores filas v1 , ¨ ¨ ¨ , v4 y hallemos la forma escalonada reducida
» fi » fi
2 ´2 3 4 ´1 1 ´1 0 ´1 0
—´1 1 2 5 2ffiffi Ñ R “ —0 0 1 2 0ffi .
— ffi
A“— –0 0 ´1 ´2 3 fl – 0 0 0 0 1fl
1 ´1 2 3 0 0 0 0 0 0

Si f es el funcional lineal sobre R5

5
ÿ
f px1 , x2 , x3 , x4 , x5 q “ c jx j,
j“1

entonces f P W ˝ si y solo si f pvi q “ 0, i “ 1, ¨ ¨ ¨ , 4, por lo tanto, si y solo si

5
ÿ
Aij c j “ 0, 1 ď i ď 4.
j“1

Esto es equivalente a
5
ÿ
Rij c j “ 0, 1 ď i ď 3.
j“1

o bien
c1 ´ c2 ´ c4 “ 0
c3 ` 2c4 “ 0
c5 “ 0
Obtenemos todos esos funcionales lineales f asignándoles valores arbitrarios a los escalares c2 y c4 , digamos
c2 “ a y c4 “ b, entonces hallar los correspondientes c1 “ a ` b, c3 “ ´2b y c5 “ 0. Luego W ˝ consiste de
todos los funcionales lineales f de la forma

f px1 , x2 , x3 , x4 , x5 q “ pa ` bqx1 ` ax2 ´ 2bx3 ` bx4 .

La dimensión de W ˝ es 2 y una base t f1 , f2 u puede ser hallada tomando primero a “ 1, b “ 0 y luego

a “ 0, b “ 1.

f1 px1 , x2 , x3 , x4 , x5 q “ x1 ` x2 , f2 px1 , x2 , x3 , x4 , x5 q “ x1 ´ 2x3 ` x4 .

Un funcional genérico de W ˝ tiene la forma f “ α f1 ` β f2 .

46 EMM (2023)
Álgebra Lineal