Tema_5

Descargar como pdf o txt
Descargar como pdf o txt
Está en la página 1de 28

Tema 5

Espacios vectoriales

5.1. Espacios vectoriales y subespacios Lección 6,


martes, 24
mar 2020
Repaso del concepto de espacio vectorial
Hemos visto en la sección 3 del tema 1 que las propiedades fundamentales de las operaciones
de los vectores en cualquier espacio Rn , de las cuales se deducen todas las demás propiedades
algebraicas, son las siguientes (conocidas como axiomas de espacio vectorial):

1. Propiedades de la suma de vectores (“Grupo conmutativo”):


1. Propiedad asociativa de la suma: u + (v + w) = (u + v) + w.
2. Existencia del neutro de la suma o vector cero: 0 + u = u + 0 = u.
3. Existencia de opuestos para la suma: −u + u = u + (−u) = 0.
4. Propiedad conmutativa de la suma: v + u = u + v.
2. Propiedades distributivas de la multiplicación por números o reescalado:
1. Propiedad distributiva para la suma de vectores: x (u + v) = xu + xv.
2. Propiedad distributiva para la suma de números: ( x + y)u = xu + yu.
3. “Acción de los escalares”:
1. Propiedad asociativa del producto de números por vectores: x (yu) = ( xy)u.
2. Ley de identidad: El número 1 es neutro para la multiplicación de números por vectores:
1 u = u.

DEFINICIÓN 5.1.1

Espacio vectorial
Todo conjunto V de elementos que se puedan sumar entre sí y multiplicar por números (es decir,
reescalar) de tal forma que se cumplan las propiedades anteriores se llama un espacio vectorial y sus
elementos se llaman vectores.
Versión de 21 de marzo de 2020, 7:04 h.

Como hay distintas clases de números, hay distintas clases de espacios vectoriales. Los
números por los que se pueden multiplicar los vectores de un espacio vectorial dado se llaman
los escalares de ese espacio. Así, los escalares de Rn son los números reales. Todo espacio vectorial escalares
cuyos escalares son los números reales se llama un espacio vectorial real. En este curso sólo
estudiaremos espacios vectoriales reales.

1
5.1. Espacios vectoriales y subespacios 5. Espacios vectoriales

En todo espacio vectorial V se cumplen las siguientes propiedades, que se pueden demostrar
a partir de los axiomas anteriores:

Para todo vector u y para todo número c,

0u = 0 (5.1)
c0 = 0 (5.2)
(−1)u = −u (5.3)

Ejemplos de espacios vectoriales

El espacio cero {0}

El ejemplo más sencillo de espacio vectorial es el de aquél que solamente tiene un vector, el
cual necesariamente debe ser el vector cero: V = {0}.

Los espacios Rn

Los principales espacios vectoriales que estudiamos en este curso son los espacios Rn , como
la recta real, R, el plano R2 , el espacio R3 y espacios de dimensiones superiores.

Las matrices de un tamaño fijo Mm×n

Otro ejemplo (que fue mencionado en el tema de operaciones de matrices) es el del conjunto
de todas las matrices de un tamaño fijo m × n. Éstas forman un espacio vectorial que se denota
Mm×n .

Aplicación lineal entre espacios vectoriales

DEFINICIÓN 5.1.2

Aplicación lineal
Si V y W son espacios vectoriales, una aplicación lineal de V a W es una aplicación T : V → W tal
que para cualesquiera vectores u, v en V y cualquier número c se verifica:
1. T (u + v) = T (u) + T (v),
2. T (cu) = cT (u).
Estas dos propiedades se pueden combinar en una sola que es equivalente a ellas:

T ( c1 u1 + c2 u2 ) = c1 T ( u1 ) + c2 T ( u2 ).

Toda aplicación lineal conserva las combinaciones lineales de vectores, es decir cumple la
propiedad
T ( c1 u1 + · · · + c n u n ) = c1 T ( u1 ) + · · · + c n T ( u n )

la cual se conoce en Física como Principio de superposición.

2
5. Espacios vectoriales 5.1. Espacios vectoriales y subespacios

Concepto de subespacio vectorial

Se dice que un subconjunto H de un espacio vectorial V es un subespacio vectorial de V si,


con las operaciones de V de suma de vectores y multiplicación por escalares, el propio H es un
espacio vectorial. Dicho de otra forma:

DEFINICIÓN 5.1.3

Subespacio vectorial
Un subespacio de un espacio vectorial V es un subconjunto H de V tal que:

1. H contiene al vector cero de V.


2. La suma de dos vectores de H es otro vector de H.
3. Al multiplicar un escalar cualquiera por un vector de H se obtiene otro vector de H.

Los subespacios cero y total

Cualquiera que sea el espacio vectorial V, podemos dar dos ejemplos triviales de subespacio
vectorial de V. Uno es el subconjunto cero {0} y el otro es el propio V. Estos son los subespacios
cero y total de V. El subespacio cero es el menor subespacio de V y el total, el mayor. El
subespacio cero está contenido en cualquier otro subespacio y el total contiene a todo subespacio.

El subespacio generado por un subconjunto de un espacio vectorial subespacio


generado

DEFINICIÓN 5.1.4

Subespacio generado por un subconjunto de un espacio vectorial


Si S es un subconjunto de un espacio vectorial V, se llama subespacio generado por S, y se denota
por Gen S al menor subespacio vectorial de V que contiene a S.

El ejemplo más sencillo de subespacio generado por un subconjunto es el caso en que el


subconjunto S es el conjunto vacío. En este caso la definición implica que el subespacio generado
por el conjunto vacío es el subespacio cero: Gen ∅ = {0}.
Si H = Gen S entonces se dice que S es un conjunto generador de H. Fijado un subespacio conjunto
H, los conjuntos generadores de H son subconjuntos de H que “tienden a ser grandes” en el generador
sentido de que si se les quita algún vector pueden dejar de generar a H, pero no por ampliarlos
añadiéndoles algún vector de H dejan de generar a H. Es decir:

Si S genera a H y S0 es el resultado de añadirle a S algún vector de H, entonces S0 también


genera a H, pero si S0 es el resultado de quitarle a S algún vector, entonces S0 puede que ya
no genere a H.

5.1.1 Ejercicio de tarea. Dar un ejemplo de un subconjunto S que genere a R2 y sea tal que al eliminar
de S cualquier vector, el conjunto resultante siga generando a R2 .
serviría es S = {(1, 0), (0, 1), (1, 1)}.
Solución: Nos vemos forzados a buscar un conjunto con más vectores de los necesarios para generar R2 ; por ejemplo, un conjunto que

3
5.1. Espacios vectoriales y subespacios 5. Espacios vectoriales

Ejemplos de subespacios vectoriales


Ejemplo 1. El conjunto de todas las combinaciones lineales de unos vectores dados

Si v1 , . . . , v p son vectores de un espacio vectorial V, el conjunto H de todas las combinaciones


lineales de estos vectores es un subespacio vectorial de V ya que:
1. H contiene al vector cero de V porque 0 = 0v1 + · · · + 0v p .
2. La suma de dos vectores de H es otro vector de H porque al sumar dos combinaciones
lineales de los v1 , . . . v p se obtiene otra combinación lineal de v1 , . . . v p .
3. Al multiplicar un escalar cualquiera por un vector de H se obtiene otro vector de H porque
al multiplicar k por una combinación lineal c1 v1 + · · · + c p v p se obtiene otra combinación
lineal (con cada coeficiente multiplicado por k): kc1 v1 + · · · + kc p v p .

Todo subespacio vectorial de V que contenga a los vectores v1 , . . . , v p contiene también a H,


por tanto H, el conjunto de todas las combinaciones lineales de esos vectores, es el subespacio
generado por el conjunto de vectores dado: H = Gen{v1 , . . . , v p }. Un caso particular de esto es
espacio el espacio columna de una matriz, que es el espacio generado por las columnas de la matriz,
columna de de forma que si A es la matriz cuyas columnas son los vectores a1 , a2 , . . . , an (de forma que
una matriz
A = [a1 a2 . . . an ]) entonces Col A = Gen{a1 , a2 , . . . , an }.

Ejemplo 2. El subespacio imagen de una aplicación lineal

Dada una aplicación lineal T de un espacio vectorial V en un espacio vectorial W, T : V → W,


el conjunto H de vectores de W que son imagen de algún vector de V es un subespacio vectorial
de W ya que:
1. H contiene al vector cero de W porque T (0) = 0.
2. La suma de dos vectores de H es otro vector de H porque T (u) + T (v) = T (u + v).
3. Al multiplicar un escalar cualquiera por un vector de H se obtiene otro vector de H porque
kT (u) = T (ku).

subespacio Este subespacio vectorial se llama el subespacio imagen de T y se denota Im T. Un caso


imagen particular de esto es aquél en el que el dominio y codominio de T son espacios R p : V = Rn ,
W = Rm de forma que T es una aplicación lineal T : Rn → Rm . Si A es la matriz canónica de
T entonces para cada x ∈ Rn , T (x) = Ax y por tanto la imagen de cada x es una combinación
lineal de las columnas de A. Entonces el conjunto imagen de T, Im T, es el conjunto de todas las
combinaciones lineales de las columnas de A, lo cual es precisamente el espacio columna de A y
por tanto, en este caso particular Im T = Col A.

Ejemplo 3. El conjunto solución de un sistema homogéneo

Dado un sistema homogéneo de m ecuaciones lineales con n incógnitas, si A es su matriz de


coeficientes, un vector v ∈ Rn es una solución del sistema si Av = 0. El conjunto H de todas las
soluciones del sistema es un subespacio vectorial de Rn ya que:
1. H contiene al vector cero de Rn porque A0 = 0.
2. La suma de dos vectores de H es otro vector de H porque si Au = 0 y Av = 0 entonces
A(u + v) = Au + Av = 0 + 0 = 0.
3. Al multiplicar un escalar cualquiera por un vector de H se obtiene otro vector de H porque
si Au = 0, entonces para cualquier escalar c se tiene A(cu) = c Au = c 0 = 0.

Dado que dicho conjunto solución del sistema Ax = 0 lo hemos llamado el espacio nulo de A,
concluimos que si A es una matriz m × n, su espacio nulo es un subespacio de Rn : Nul A ⊂ Rn .

4
5. Espacios vectoriales 5.1. Espacios vectoriales y subespacios

¡Atención! Si un sistema de m ecuaciones lineales con n incógnitas no es homogéneo entonces


su conjunto solución no es un subespacio de Rn —entre otras razones porque no contiene al
vector 0 (si el vector 0 es una solución de un sistema, el sistema es necesariamente homogéneo).

Ejemplo 4. El subespacio núcleo de una aplicación lineal

Dada una aplicación lineal T de un espacio vectorial V en un espacio vectorial W, T : V → W,


el conjunto H de todos los vectores v de V tales que T (v) = 0 es un subespacio vectorial de V ya
que:

1. H contiene al vector cero de W porque T (0) = 0.


2. La suma de dos vectores de H es otro vector de H porque al ser T (u) + T (v) = T (u + v),
si T (u) = 0 y T (v) = 0 entonces también T (u + v) = 0.
3. Al multiplicar un escalar cualquiera por un vector de H se obtiene otro vector de H porque
si T (v) = 0 entonces T (cv) = cT (v) = 0.

Este subespacio vectorial se llama el núcleo de T y se denota ker T. Un caso particular de esto
es aquél en el que el dominio y codominio de T son espacios R p : V = Rn , W = Rm de forma
que T es una aplicación lineal T : Rn → Rm . Si A es la matriz canónica de T entonces para cada
x ∈ Rn , T (x) = Ax y por tanto la condición T (x) = 0 de que un vector x de Rn esté en el núcleo
de T es Ax = 0. Entonces el núcleo de T, ker T, es el espacio nulo de A y por tanto en este caso
ker T = Nul A.

5.1.2 Ejercicio de tarea. Sean A y B dos matrices de m filas (es decir, cuyas columnas son vectores de
Rm ), aunque no tienen por qué tener el mismo número de columnas. Demuestra que si el espacio
columna de A está contenido en el espacio columna de B entonces el número de pivotes de A es
menor o igual que el número de pivotes de B.
Pista: Para cada columna ai de A el sistema Bx = ai es compatible. ¿Cómo son las filas de ceros de una f.e. de ( B| A)?

5.1.3 Ejercicio de tarea. Sean A y B dos matrices en las condiciones del ejercicio 5.1.2. Usa la tesis de
dicho ejercicio para demostrar que si A y B tienen el mismo espacio columna entonces A y B
tienen el mismo número de pivotes.

Enlaces a los ejercicios de tarea de esta sección


Usa los siguientes enlaces para visualizar cada uno de los ejercicios de tarea que aparecen en
esta sección:
Enlaces: Ejercicio 1, Ejercicio 2, Ejercicio 3.

Ejercicios sección 5.1

         
1 −1 5 −7 2 −4 8
1. Sea A = 2 0 7 yu = 3 . ¿Está u en Nul A? 4. Sean v1 = 3 , v2 = −5 ,yw= 2 . Averigua
−3 −5 −3 2 −5 8 −9
¿Está u en Col A? Justifica tus respuestas. si w está en el subespacio de R3 generado por v1 y v2 .
0 1 0 0
2. Dada A = , halla un vector no nulo en Nul A y
! ! !
0010 1 4 5
0001 −2 −7 −8
un vector no nulo en Col A. 5. Sean v1 = 4 , v2 = 9 , v3 = 6 , y
! 3 7 5
−4
3. Supongamos que una matriz A de orden n × n es inver- u = 10 . Averigua si u está en el subespacio de R4
−7
sible. ¿Qué puede decirse acerca de Col A? ¿Y acerca de −5
Nul A?. generado por {v1 , v2 , v3 }.

5
5.1. Espacios vectoriales y subespacios 5. Espacios vectoriales

       
2 −3 −4 6
6. Sean v1 = −8 , v2 = 8 , v3 = 6 ,p= −10 (e) Si v1 , . . . , v p están en Rn , entonces Gen{v1 , . . . , v p }
6 −7 −7 11 es lo mismo que el espacio columna de la matriz
y A = [v1 v2 v3 ] (la matriz cuyas columnas son v1 , v2 y [ v1 . . . v p ].
v3 ).
(f) El conjunto de todas las soluciones de un sistema
(a) ¿Cuántos vectores hay en {v1 , v2 , v3 }? de m ecuaciones homogéneas en n incógnitas es un
(b) ¿Cuántos vectores hay en Col A? subespacio de Rm .
(c) ¿Está p en Col A? ¿Por qué sí o por qué no?
15.
     
−2 −2 0
7. Sean v1 = , v2 =
0 , v3 = 3 , y p = −5 (a) Un subconjunto H de Rn es un subespacio si el
  6 3 5 vector cero está en H.
6
−1 . Averigua si p está en Col A, donde A = [ v1 v2 v3 ]. (b) El espacio nulo de A es el núcleo de la aplicación
17
x 7→ Ax.
(c) El espacio columna de una matriz A es el conjunto
8. Con A y p como en el ejercicio 5, averigua si p está en de todos los vectores de la forma Ax para algún x.
Nul A.
(d) Dados los vectores v1 , . . . , v p en Rn , el conjunto de
todas las combinaciones lineales de estos vectores
9. Con u = (−5, 5, 3) y A como en ejercicio 6, averigua si es un subespacio de Rn .
u está en Nul A.
(e) El espacio nulo de una matriz m × n es un subespa-
cio de Rn .
En los ejercicios 10 y 11, halla enteros p y q tales que
(f) El espacio columna de una matriz A es el conjunto
Nul A sea un subespacio de R p y Col A un subespacio de
de soluciones de Ax = b.
Rq .

  16. Construye una matriz A de orden 3 × 3 y un vector b


3 2 1 −5 distinto de cero en forma tal que b esté en Col A, pero b
10. A =  −9 −4 1 7 . no sea igual a ninguna de las columnas de A.
9 2 −5 1

17. Construye una matriz A de orden 3 × 3 y un vector b



1 2 3
 tales que b no esté en Col A.
 4 5 7
11. A = 
 −5
.
−1 0 18. Construye una matriz A de orden 3 × 3 distinta de cero
2 7 11 y un vector b diferente de cero tales que b esté en Nul A.

12. Para A como en el ejercicio 10, halla un vector no nulo


En los ejercicios 19 a 23, responde de la manera más
en Nul A y un vector no nulo en Col A que no sea ninguna
clara que te sea posible y justifica tus respuestas.
de las columnas dadas.

13. Para A como en el ejercicio 11, halla un vector no nulo 19. Supongamos que F es una matriz de orden 5 × 5 cu-
en Nul A y un vector no nulo en Col A que no sea ninguna yo espacio columna no es igual a R5 . ¿Qué puede decirse
de las columnas dadas. acerca del espacio nulo Nul F?

En los ejercicios 14 y 15 indica para cada enunciado si 20. Si R es una matriz de orden 6 × 6 y Nul R no es igual al
es verdadero o falso. Justifica tus respuestas. subespacio cero, Nul R 6= {0}, ¿qué puede decirse acerca
del espacio columna Col R?

14.
21. Si Q es una matriz de orden 4 × 4 y Col Q = R4 , ¿qué
(a) Un subespacio de Rn es cualquier conjunto H tal puede decirse acerca de las soluciones a las ecuaciones de
que (i) el vector cero está en H, (ii) si u y v están en la forma Qx = b para b en R4 .
H, u + v está en H, y (iii) si c es un número y u está
en H, cu está en H.
22. Si P es una matriz de orden 5 × 5 y Nul P es igual al
(b) El espacio columna de una matriz A es el subespacio subespacio cero, Nul P = {0}, ¿qué puede decirse acerca
imagen de la aplicación x 7→ Ax. de las soluciones a las ecuaciones de la forma Px = b para
(c) Si A es una matriz m × n y la ecuación Ax = b es b en R5 ?
compatible entonces Col A es igual a Rm .
(d) El núcleo de una aplicación lineal es un espacio 23. ¿Qué puede decirse acerca de Nul B si B es una matriz
vectorial. de orden 5 × 4 con columnas linealmente independientes?

6
5. Espacios vectoriales 5.2. Independencia lineal y Bases

5.2. Independencia lineal y Bases


Independencia lineal de vectores en un espacio vectorial
Los conceptos de dependencia e independencia lineal se definen a continuación para un
espacio vectorial V cualquiera, pero en el caso de que V = Rn estos conceptos coinciden con los
que habíamos estudiado para Rn .

DEFINICIÓN 5.2.5

Conjunto libre o vectores independientes


Un subconjunto S de un espacio vectorial V es libre (o sus vectores son linealmente independientes)
si no hay en ese conjunto ningún vector que sea combinación lineal de los demás vectores.

El ejemplo más sencillo de conjunto que cumple esta definición es el del conjunto vacío, por
tanto para todo espacio vectorial V, el subconjunto vacío, ∅ ⊂ V es libre. ∅ ⊂ V es libre
Dado un conjunto finito de vectores S = {b1 , . . . , b p } en V, supongamos que la ecuación
vectorial
x1 b1 + · · · + x p b p = 0 (5.4)
tiene alguna solución no trivial y = (y1 , . . . , y p ). Toda solución no trivial de la ecuación (5.4) se
llama una relación de dependencia lineal entre los vectores b1 , . . . , b p , por tanto estamos suponiendo relación de
que y es relación de dependencia lineal entre los vectores b1 , . . . , b p . Esto significa que se cumple dependencia
lineal
y1 b1 + · · · + y p b p = 0

y además alguno de los yi es distinto de cero. Podemos suponer que el que es distinto de cero es
el primero (en caso contrario bastaría reordenar los términos). Pero y1 6= 0 significa que podemos
dividir toda la ecuación entre y1 y despejar el vector b1 . Por tanto: si la ecuación (5.4) tiene
alguna solución no trivial, entonces alguno de los vectores b1 , . . . , b p es combinación lineal de
los otros y el conjunto S no es libre.
Supongamos ahora, recíprocamente, que el conjunto S no es libre. Entonces, según la defini-
ción, alguno de sus vectores es combinación lineal de los otros y se cumple una ecuación del
tipo
b1 = α2 b2 + · · · + α p b p .
Esto implica que la ecuación (5.4) tiene al menos una solución no trivial, a saber:

x = (−1, α2 , . . . , α p ).

Todo esto demuestra el siguiente teorema:

TEOREMA 5.2.1

Un subconjunto finito de un espacio vectorial V, S = {b1 , . . . , b p }, es libre si y sólo si no existe


ninguna relación de dependencia lineal entre los vectores de S, lo cual significa que la ecuación vectorial

x1 b1 + · · · + x p b p = 0

no tiene ninguna solución distinta de la trivial.

Los subconjuntos libres de un espacio vectorial V “tienden a ser pequeños” en el sentido de


que si se les quita algún vector no dejan de ser libres, pero al ampliarlos añadiéndoles algún
vector pueden dejar de serlo. Es decir:

7
5.2. Independencia lineal y Bases 5. Espacios vectoriales

Si S es un subconjunto libre de V y S0 es el resultado de quitarle a S algún vector, entonces S0


sigue siendo libre, pero si S0 es el resultado de añadirle a S algún vector, entonces S0 puede
que ya no sea libre.

5.2.1 Ejercicio de tarea. Dar un ejemplo de un subconjunto S ⊂ R2 que sea libre y sea tal que al
añadir a S cualquier vector de R2 , el conjunto resultante ya no sea libre.
es S = {(1, 0), (0, 1)}.
Solución: Nos vemos forzados a buscar un conjunto libre con el mayor número posible de vectores; por ejemplo, un conjunto que serviría

El siguiente teorema es útil para determinar si un conjunto no vacío de vectores es libre o no:

TEOREMA 5.2.2

Un subconjunto S = {b1 , . . . , b p } de un espacio vectorial V es libre (o sus vectores son linealmente


independientes) si no hay en ese conjunto ningún vector bi que sea combinación lineal de los vectores
{b1 , . . . , bi−1 } que le preceden.

Base de un subespacio de un espacio vectorial

DEFINICIÓN 5.2.6

Base de un espacio vectorial


Sea H un subespacio de un espacio vectorial V. Se llama base de H a todo conjunto de vectores de V,
B = {b1 , . . . , b p } que tenga estas dos propiedades:

(a) Los vectores b1 , . . . , b p son linealmente independientes,


(b) El subespacio de V generado por los vectores b1 , . . . , b p es igual a H.

En particular, esta definición se aplica al caso H = V en que el subespacio vectorial es todo V.

La base canónica de Rn

base canónica de El ejemplo más conocido de base es la llamada base canónica de Rn que es el conjunto de
Rn vectores formado por las columnas de la matriz identidad In y lo denotamos

can = {e1 , . . . , en }.

Este ejemplo de una base de Rn es un caso particular de otro más general que es el siguiente:

Las columnas de cualquier matriz inversible n × n forman una base de Rn .

Según la definición de base de un espacio vectorial, dado un conjunto de vectores lineal-


mente independientes S = {v1 , . . . , v p } en un espacio vectorial V, ese conjunto es una base del
subespacio que genera en V, es decir:

Si S = {v1 , . . . , v p } es un conjunto de vectores linealmente independientes de V entonces S


es una base del subespacio H = Gen{v1 , . . . , v p }.

8
5. Espacios vectoriales 5.2. Independencia lineal y Bases

Como ejemplo de esto tenemos la base del espacio cero:

La base del espacio cero {0}

El subconjunto vacío de cualquier espacio vectorial V es un conjunto libre y, además el


subespacio generado por el conjunto vacío es es el subespacio cero: Gen ∅ = {0}. Por tanto, en
cualquier espacio vectorial V el subconjunto vacío es una base del subespacio cero.

El teorema del conjunto generador


Si B es una base de un subespacio H de V, entonces se puede decir que B es un conjunto
generador de H “lo más eficiente posible” en el sentido de que genera H con el mínimo número
posible de vectores. Esto quiere decir (de momento1 ) que B es tal que si eliminásemos de B un
vector cualquiera, el conjunto que quedase ya no generaría H. Esto es el contenido del siguiente
teorema:

TEOREMA 5.2.3

Teorema del conjunto generador


Sea S = {v1 , . . . , v p } un conjunto de vectores de V y sea H = Gen{v1 , . . . , v p } el subespacio de V
generado por esos vectores.

(a) Si existe en S algún vector (sea, por ejemplo, vk ), que es combinación lineal de los demaás vectores
de S, al eliminar ese vector vk de S, el conjunto que queda también genera H.
(b) Existe algún subconjunto de S que es una base de H.

Bases del espacio nulo y del espacio columna de una matriz


Sabemos que el espacio nulo de una matriz A es el conjunto solución del sistema homogéneo
Ax = 0. La solución general de todo sistema homogéneo como este, suponiendo que tiene k
variables libres, se puede escribir en forma paramétrica vectorial con k parámetros en la forma

x = t1 u1 + · · · + t k u k

donde los vectores u1 , . . . , uk , según hemos visto anteriormente, son linealmente independientes.
Como evidentemente estos vectores generan el espacio nulo de A, tenemos:

Si la matriz A tiene k columnas no pivote y la solución general del sistema homogéneo


Ax = 0 toma la forma
x = t1 u1 + · · · + t k u k ,
entonces los vectores u1 , . . . , uk forman una base de su espacio nulo, Nul A.

Por ejemplo, nos planteamos hallar una base del espacio nulo de la matriz
1 2 1 5
!
A= 1 2 2 7 .
2 4 4 14
1 Más tarde veremos un significado más profundo, a saber: Que ningún subconjunto de V con menos vectores que los

que tiene B genera a H.

9
5.2. Independencia lineal y Bases 5. Espacios vectoriales

Para ello resolvemos el sistema Ax = 0 hallando la forma escalonada reducida de A:


1 2 1 5 1 2 1 5 1 2 0 3
! ! !
F2 − F1 F3 − 2F2 ···
A −−−−−−−→ 0 0 1 2 −−−−−−−→ 0 0 1 2 −−−−→ 0 0 1 2 .
F3 − 2F1 0 0 2 4 0 0 0 0 0 0 0 0

Escribimos la solución del sistema Ax = 0 y extraemos de ella los generadores:

−2 −3 −2 −3
         
x1
 x2   1  0  1  0
 x  = x2  0 + x4  −2 ; hay dos generadores: u1 =   , u2 =   .
0 −2
3
x4 0 1 0 1

El conjunto formado por estos dos vectores, B = {u1 , u2 }, es una base de Nul A.

En el caso del espacio columna, dado que las columnas pivote de una matriz A son linealmente
independientes y generan el espacio columna de A, tenemos:

Las columnas pivote de cualquier matriz A forman una base de su espacio columna, Col A.

Por ejemplo, para la matriz A del ejemplo anterior, los cálculos realizados muestran que las
columnas pivote de A son la primera y la tercera, por lo tanto una base del espacio columna
Col A es el conjunto    
 1 1 
1 , 2 .
2 4
 

Enlaces a los ejercicios de tarea de esta sección


Usa los siguientes enlaces para visualizar cada uno de los ejercicios de tarea que aparecen en
esta sección:
Enlaces: Ejercicio 1.

Ejercicios sección 5.2

       
Averigua cuáles conjuntos de los ejercicios 1 a 6 son 1 3 −2 0
bases para R2 y R3 . Justifica tus respuestas. 6.  −6  ,  −4  ,  7  ,  8 .
−7 7 5 9
       
5 10 −4 2
1. , . 2. , .
−2 −3 6 −3
En los ejercicios 7 a 10 se presenta una matriz A y una
forma escalonada de A. Halla una base para Col A y una
     base para Nul A.
0 5 6
3. 1 , −7  ,  3 .
  
2 4 5
   
4 5 9 −2 1 2 6 −5
7. A =  6 5 1 12  ∼  0 1 5 −6 .
     
1 −5 7
4.  1  ,  −1  ,  0 . 3 4 8 −3 0 0 0 0
−2 2 −5

       
3 6 −3 9 −2 −7 1 −3 6 9
5.  −8  ,  2 . 8. A =  2 −6 4 8 ∼ 0 0 4 5 .
1 −5 3 −9 −2 2 0 0 0 0

10
5. Espacios vectoriales 5.2. Independencia lineal y Bases

 
1 4 8 −3 −7 (c) Al hallar la solución general de un sistema Ax = 0
 −1 2 7 3 4
9. A =   en forma paramétrica vectorial, los vectores genera-
 −2 2 9 5 5 dores hallados no siempre constituyen una base de
3 6 9 −5 −2 Nul A.
 
1 4 8 0 5 (d) Si B es una forma escalonada de una matriz A, en-
0 2 5 0 −1  tonces las columnas pivote de B forman una base
∼
0
.
0 0 1 4 para Col A.
0 0 0 0 0

  16. Explica por qué si R4 = Gen{v1 , v2 , v3 , v4 } entonces


3 −1 7 3 9 {v1 , v2 , v3 , v4 } es una base.
 −2 2 −2 7 5
10. A = 
 
−5 9 3 3 4
−2 6 6 3 7 17. Explica por qué si {v1 , . . . , vn } es un conjunto libre en
  Rn entonces es una base.
3 −1 7 0 6
0 2 4 0 3
∼
0
. 18. Supongamos que las columnas a1 , . . . , a p de la matriz
0 0 1 1
0 0 0 0 0 A = [a1 . . . a p ] son linealmente independientes. Explica
por qué esas columnas forman una base de Col A.

11. Halla una base del subespacio de R2 determinado por


19. ¿Qué puede decirse acerca del número de filas y de
la ecuación y = −3x.
columnas de una matriz A de orden m × n si las columnas
de A constituyen una base de Rm ?
12. Halla una base del subespacio de R3 determinado por
la ecuación x − 3y + 2z = 0.
Los ejercicios 20 y 21 muestran que toda base de Rn
      contiene exactamente n vectores.
4 1 7
13. Sean v1 = −3 , v2 =
   9 , v3 =  11  y sea

7 −2 6 20. Sea S = {v1 , . . . , vk } un conjunto de k vectores de Rn
con k < n. Indica qué resultado del tema 1 implica que S
H = Gen{v1 , v2 , v3 }. Sabiendo que 4v1 + 5v2 − 3v3 = 0
no puede ser una base de Rn .
halla una base de H.

21. Sea S = {v1 , . . . , vk } un conjunto de k vectores de Rn


En los ejercicios 14 y 15 indica para cada enunciado si con k > n. Indica qué resultado del tema 1 implica que S
es verdadero o falso. Justifica tus respuestas. no puede ser una base de Rn .

14.
Los ejercicios 22 y 23 revelan una importante conexión
(a) Si H es el conjunto Gen{b1 , . . . b p } entonces el con- entre la independencia lineal y las aplicaciones lineales y
junto {b1 , . . . b p } es una base de H. son una buena práctica del uso de la definición de la in-
dependencia lineal. Sean V y W dos espacios vectoriales,
(b) Las columnas de una matriz inversible n × n forman sea T : V → W una aplicación lineal, y sea {v1 , . . . , v p } un
una base para Rn . subconjunto de V.
(c) Una base es un conjunto generador que tiene el
mayor número de vectores posible.
22. Demuestra que si los vectores v1 , . . . , v p son lineal-
(d) Las operaciones elementales de filas no afectan a las mente dependientes en V, entonces los vectores imagen
relaciones de dependencia lineal entre las columnas T (v1 ), . . . , T (v p ) también son linealmente dependientes.
de una matriz. (Esto significa que si los vectores T (v1 ), . . . , T (v p ) son in-
dependientes, también lo son los vectores v1 , . . . , v p .)
15.
23. Supón que T es inyectiva (o sea que T (u) = T (v)
(a) Si un conjunto finito de vectores, S, genera un espa- implica u = v). Demuestra que si los vectores imagen
cio vectorial V, entonces algún subconjunto de S es T (v1 ), . . . , T (v p ) son linealmente dependientes entonces
una base de V. también lo son los vectores v1 , . . . , v p . (Esto indica que to-
(b) Una base es un conjunto de vectores linealmente da aplicación lineal inyectiva trnasforma un conjunto de
independientes con el mayor número posible de vectores independientes en otro conjunto de vectores inde-
vectores. pendientes.)

11
5.3. Sistemas de coordenadas 5. Espacios vectoriales

5.3. Sistemas de coordenadas


Coordenadas de un vector relativas a una base
Sea V un espacio vectorial y sea B = {b1 , . . . , bn } una base de V. Entonces todo vector x
de V tiene una única expresión como combinación lineal de los vectores de la base B , lo cual
significa que existen unos coeficientes únicos c1 , . . . , cn tales que
c1 b1 + · · · + cn bn = x. (5.5)
Estos coeficientes se llaman las coordenadas de x relativas a la base B . El vector de Rn cuyas
componentes son los coeficientes c1 , . . . , cn se llama el vector de coordenadas de x en la base B y se
denota [x]B , de forma que la ecuación (5.5) implica:
 
c1
 .. 
[x]B =  .  .
cn

5.3.1 Ejercicio de tarea. Sea e1 , e2 las columnas de la matriz identidad 2 × 2 y sean b1 = e1 + e2 ,


b2 = e1 − e2 . (a) Demuestra que el conjunto B = {b1 , b2 } es una base de R2 . (b) Halla las
coordenadas de e1 y de e2 respecto a la base B .
(b) [e1 ]B = 1/2
1/2
, [e2 ]B = −1/2
1/2
Solución: (a) Basta ver que la matriz [b1 b2 ] =
    1 −1 tiene inversa. Por ejemplo viendo que su determinante no es cero: det 1 −1 = −2.
1 1 1 1
 

En el caso especial en que V es un espacio Rn y que la base elegida es la base canónica de Rn ,


can = {e1 , . . . , en }, dado que para cada vector x = ( x1 , . . . , xn ) ∈ Rn se tiene
x1 e1 + · · · + xn en = x,
se deduce que todo vector de Rn es su propio vector de coordenadas respecto a la base canónica:
[x]can = x.

La función de coordenadas
Si V es un espacio vectorial y B es una base de V que tiene n vectores, se llama función de
coordenadas de V en la base B a la función TB : V → Rn que asigna a cada vector de V su vector de
coordenadas en base B , es decir, TB está definida por
TB (x) = [x]B .

Es evidente que para todos x, y ∈ V y todo escalar c se cumplen las propiedades:


[cx]B = c[x]B , [x + y]B = [x]B + [y]B ,
por lo que la aplicación x 7→ [x]B es una aplicación lineal.
Es también evidente que esta aplicación es la aplicación inversa de la aplicación de Rn en V
que « reconstruye los vectores de V a partir de sus coordenadas », es decir, que asigna a cada
“vector de coordenadas” c = (c1 , . . . , cn ) en Rn el vector x ∈ V definido por la fórmula (5.5). En
consecuencia, tenemos:

TEOREMA 5.3.1

Teorema de linealidad de la función de coordenadas


Si V es un espacio vectorial y B = {b1 , . . . , bn } es una base de V, la función de coordenadas
x 7→ [x]B es una aplicación lineal biyectiva de V en Rn .

12
5. Espacios vectoriales 5.3. Sistemas de coordenadas

Cálculo de las coordenadas en Rn


Nos interesa ahora estudiar el problema de calcular las coordenadas de un vector en el caso
especial en que el esapcio vectorial V es uno de los espacios Rn , es decir, calcular las coordenadas
de un vector x ∈ Rn relativas a una base B = {b1 , . . . , bn } de Rn dada.
En este caso, los vectores de la base, b1 , . . . , bn son vectores de Rn y por tanto la ecuación
(5.5) se puede expresar como un producto matriz por vector:
 
c1
 .. 
[b1 · · · bn ]  .  = x.
cn

La matriz cuadrada que aparece en esta expresión, [b1 . . . bn ], cuyas columnas son los
vectores de la base dada en Rn , transforma (mediante el producto matriz por vector) las B -
coordenadas de un vector x cualquiera en el propio x. Pero el vector x es su propio vector
de coordenadas respecto a la base canónica (x = [x]can ) y por ello dicha matriz [b1 . . . bn ]
transforma las B -coordenadas de un vector x en las coordenadas de x en la base canónica, por lo
que se llama la matriz de cambio de coordenadas de B a la base canónica de Rn . Esta matriz se denota matriz de cambio
PB y, como hemos visto, está definida por: de coordenadas
de B a la base
canónica de Rn
PB = [b1 . . . bn ].

Su propiedad característica es que para todo vector x ∈ Rn ,

PB [x]B = x.

5.3.2 Ejercicio de tarea. Sea B = {b1 , b2 } la base de R2 del ejercicio de tarea anterior. Halla PB .
Solución: PB = 1 −1 .
1 1


La matriz PB es la matriz canónica de la aplicación [x]B 7→ x, en consecuencia su inversa es la


matriz canónica de la aplicación x 7→ [x]B , que no es otra que la función de coordenadas de Rn
en la base B , y tenemos:

Las coordenadas de un vector x ∈ Rn relativas a una base B = {b1 , . . . , bn } se calculan


multiplicando la inversa de la matriz PB = [b1 . . . bn ] por x,

[x]B = PB−1 x.

Enlaces a los ejercicios de tarea de esta sección


Usa los siguientes enlaces para visualizar cada uno de los ejercicios de tarea que aparecen en
esta sección:
Enlaces: Ejercicio 1, Ejercicio 2.

Ejercicios sección 5.3

     
En los ejercicios 1 a 4, halla el vector x cuyo vector de 3 −4 5
1. B = , , [x]B =
coordenadas respecto a la base B dada es el vector [x]B −5 6 3
dado.

13
5.4. Dimensión de un espacio vectorial 5. Espacios vectoriales

     
4 6 8 11.
2. B = , , [x]B =
5 7 −5
(a) Si x está en V y si B tiene n vectores entonces [x]B
        está en Rn .
1 5 4  3
(b) Si PB es la matriz de cambio de coordenadas enton-

3. B =  −4 ,
  2 , −7
   , [x]B =  0 
ces [x]B = PB · x
3 −2 0 −1
 
(c) Si B tiene 3 elementos, entonces V y R3 son isomor-
fos.
       
 −1 3 4  −4
4. B =  2  ,  − 5  ,  − 7  , [x]B =  8 
12.
0 2 3 −7
 
(a) Si B es la base canónica de Rm entonces el vector
de coordenadas de un x de Rm relativas a B es el
En los ejercicios 5 a 8, halla el vector de coordenadas propio x .
de x respecto a la base B = {b1 , . . . , bn }.
(b) La correspondencia [x]B 7→ x se llama función de
coordenadas.
     
1 2 −2 (c) En algunos casos, un plano en R3 puede ser isomor-
5. b1 = , b2 = ,x =
−3 −5 1 fo a R2 .


1
  
5
 
4 13. Halla la matriz canónica de la aplicación lineal de R2
6. b1 = , b2 = ,x = en R2 que asigna a cada vector x su vector de coordenadas
−2 −6 0
   
1 −2
relativas a la base B = , ; es decir, halla
 
1
 
−3
 
2
 
8 −4 9
7. b1 = −1 , b2 =
   4 , b3 = −2 , x = −9
  
la matriz canónica de la función de coordenadas relativas a
−3 9 4 6 B.

       
1 2 1 3 14. Para los vectores v1 , v2 , v3 , x dados, demuestra que
8. b1 = 0 , b2 = 1 , b3 = −1 , x = −5 B = {v1 , v2 , v3 } es una base de H = Gen{v1 , v2 , v3 } y
3 8 2 4 halla las coordenadas de x relativas a B .

       
En los ejercicios 9 y 10, usa una matriz inversa para −6 8 −9 4
encontrar [x]B para las x y B dadas.  4  −3   5  7
v1 =   , v2 =   , v3 =   , x =  
      
−9 7 −8 −8 
      4 −3 3 3
3 −4 2
9. B = , ,x =
−5 6 −6 En los ejercicios 15 y 16, halla la matriz de cambio de
coordenadas de B a la base canónica de Rn
     
4 6 2
10. B = , ,x = 
2
  
1
5 7 0 15. B = ,
−9 8

En los ejercicios 11 y 12, indica para cada enunciado


si es verdadero o falso. Justifica tus respuestas. A menos
     
 3 2 8 
que se diga lo contrario B es una base de un subespacio 16. B =  −1  ,  0  ,  −2 
vectorial V de Rm . 
4 −5 7

Lección 7, 5.4. Dimensión de un espacio vectorial


martes, 24
mar 2020
El Teorema de linealidad de la función de coordenadas, que afirma que la función de
coordenadas es ebiyectiva, tiene la siguiente consecuencia:

PROPOSICIÓN 5.4.1

Sea V un espacio vectorial que tiene una base de n vectores, B = {u1 , . . . , un }. Si S es un subconjunto
de V con más de n vectores, entonces S es ligado.

14
5. Espacios vectoriales 5.4. Dimensión de un espacio vectorial

Demostración:

Supongamos que p > n y que S tiene p elementos: S = {v1 , . . . , v p }. Los vectores de coordena-
das relativas a B de los vectores de S son p vectores de Rn :

[ v1 ] B , . . . , [ v p ] B .

Estos vectores forman las columnas de una matriz que tiene más columnas que filas, por tanto
tiene alguna columna no pivote y el sistema homogéneo que tiene esa matriz de coeficientes
tiene soluciones no triviales, es decir, existen coeficientes c1 , . . . , c p no todos nulos tales que

c1 [v1 ]B + · · · + c p [v p ]B = 0,

por tanto, por la linealidad de la función de coordenadas,

[c1 v1 + · · · + c p v p ]B = 0.

Esto dice que el vector de coordenadas del vector de V c1 v1 + · · · + c p v p es el vector cero,


por tanto este vector es cero y lo que tenemos es una relación de dependencia lineal entre los
vectores de S:
c1 v1 + · · · + c p v p = 0.
Luego S es ligado, como queríamos demostrar.

Supongamos ahora que V es un espacio vectorial que tiene una base B de n vectores. Entonces,
por lo que acabamos de ver, todo conjunto de vectores de V que sea libre tiene a lo sumo n vectores.
En particular, otra base cualquiera tiene a lo sumo n vectores. Dadas dos bases culesquiera de V
ninguna puede tener más vectores que la otra y por tanto llegamos a la conclusión de que:

TEOREMA 5.4.1

Si un espacio vectorial V tiene una base de n vectores, entonces todas las bases de V tienen n vectores.

DEFINICIÓN 5.4.7

Espacio vectorial de dimensión finita


Se llama espacio vectorial de dimensión finita a todo espacio vectorial que tenga una base con un
número finito de elementos. En un espacio vectorial de dimensión finita todas las bases tienen el mismo
número de elementos y ese número se llama la dimensión del espacio. La dimensión de un espacio
vectorial de dimensión finita V se denota dim V.

Para cualquier número natural n en el espacio vectorial Rn conocemos una base de n vectores,
a saber, la base canónica, can = {e1 , . . . , en }, cuyos elementos son las columnas de la matriz
identidad n × n. En consecuencia, dim Rn = n.
Si V es el espacio cero, V = {0}, cuyo único elemento es el vector cero, entonces V tiene
únicamente una base que es el conjunto vacío. En consecuencia, la dimensión del espacio vectorial
cero es cero: dim{0} = 0.

Las dimensiones de los espacios nulo y columna de una matriz

Según se ha visto antes, las columnas pivote de una matriz forman una base de su espacio
columna. Por otra parte, el número de vectores de una base del espacio nulo es igual al número

15
5.4. Dimensión de un espacio vectorial 5. Espacios vectoriales

de variables libres del sistema homogéneo que tiene esa matriz de coeficientes; pero ese número
es igual al número de columnas no pivote de la matriz dada. En consecuencia tenemos:

dim(Col A) = número de columnas pivote de A


dim(Nul A) = número de columnas no pivote de A
dim(Col A) + dim(Nul A) = número total de columnas de A.

Traducido al lenguaje de las aplicaciones lineales:


Para cualquier aplicación lineal T : Rn → Rm ,

dim(ImT ) + dim(ker T ) = n.

En general, si V y W son espacios vectoriales de dimensión finita, para cualquier aplicación


lineal T : V → W,
dim(ImT ) + dim(ker T ) = dim V.

5.4.1 Ejercicio de tarea. Considera los siguientes subespacios de R4 : H es el subespacio cuya ecuación
cartesiana es 2x1 − x2 − x3 + x4 = 0, mientras que K = Col A donde
 
1 1 −2
1 1 −2
A=
0
.
2 2
0 −1 −1

Calcula la dimensión de H y la de K.
Solución: dim H = 3, dim K = 2.

Enlaces a los ejercicios de tarea de esta sección


Usa los siguientes enlaces para visualizar cada uno de los ejercicios de tarea que aparecen en
esta sección:
Enlaces: Ejercicio 1.

Ejercicios sección 5.4

1. Determina la dimensión del subespacio H de R3 gene- En los ejercicios 4 y 5, halla el vector x determinado
rado por los vectores v1 , v2 y v3 . (Primero halla una base por el vector de coordenadas [x]B dado y la base B dada.
para H.) Explica cada respuesta con una figura.

     
1 2 3
     
2 3 −1 4. B = , , [x]B =
v1 =  −8  , v2 =  −7  , v3 =  6  . 1 −1 2
6 −1 −7
     
−2 3 −1
5. B = , , [x]B =
 Considera
2. la siguiente base de
  0  R2
B = 1 1 3
1 02
, . Halla x sabiendo que su vector de
00 2 1
  En los ejercicios 6 a 9, el vector x está en un subespa-
3
coordenadas relativas a B es [x]B = . cio H que tiene una base B = {b1 , b2 }. Halla el vector de
2
coordenadas de x relativas a la base B .

3. ¿Podría R3 contener a un subespacio cuatridimensional?


     
1 −2 −3
Explica tu respuesta. 6. b1 = , b2 = ,x=
−4 7 7

16
5. Espacios vectoriales 5.4. Dimensión de un espacio vectorial

       
1 −3 −7 1 2 −5 0 −1
7. b1 = , b2 = ,x=
−3 5 5  2 5 −8 4 3
14. A = 
 −3 −9

9 −7 −2 
      3 10 −7 11 7
1 −3 4
8. b1 =  5 , b2 =  −7 , x =  10 
 
1 2 −5 0 −1
−3 5 −7 0 1 2 4 5
∼
0
.
0 0 1 2

−3
 
7
 
11
 0 0 0 0 0
9. b1 =  1 , b2 =
  5 ,x=
  0
−4 −6 7  
1 2 −4 3 3
 5 10 −9 −7 8
 
3

−1
 
7
 15. A =  
10. Sean b1 = , b2 = , w = , x =
 4 8 −9 −2 7
0 2 −2 −2 −4 5 0 −6
 
4
y B = {b1 , b2 }. Usa la figura para estimar [w]B y
 
1 1 2 −4 3 3
[x]B . Confirma tu estimación de [x]B usando esas coorde-
0 0 1 −2 0
∼ .
nadas junto con b1 y b2 para calcular x.
0 0 0 0 −5 
0 0 0 0 0

b2 En los ejercicios 16 y 17, halla una base para el subes-


x pacio de R4 que generan los vectores dados. ¿Cuál es la
0 b1 dimensión del subespacio?.
w

      
1 −3 2 −4
 −3   9   −1   5 
 
0
 
2

−2
  
2 16.   ,   ,   ,  
       .
11. Sean b1 = , b2 = ,x= ,y= , 2 −6 4 −3 
2 1 3 4 −4 12 2 7
 
−1
z= y B = {b1 , b2 }. Usa la figura para estimar
−20 5 
        
[x]B , [y]B y [z]B . Confirma tu estimación de [y]B y [z]B 1 2 0 −1 3
usando esas coordenadas junto con b1 y b2 para calcular y  −1   −3   2   4   −8 
17.   ,   ,   ,   ,  
         .
y z. −2 −1 −6 −7 9
5 6 8 7 −5

y 18. Supongamos que una matriz A de orden 3 × 5 tiene


x tres columnas pivote. ¿Es Col A = R3 ? ¿Es Nul A = R2 ?
Explica tus respuestas.
b1
b2
19. Supongamos que una matriz A de orden 4 × 7 tiene tres
0
columnas pivote ¿Es Col A = R3 ? ¿Cuál es la dimensión de
z Nul A? Explica tus respuestas.

En los ejercicios 20 y 21, indica para cada enunciado


si es verdadero o falso. Justifica tus respuestas. Aquí A es
En los ejercicios 12 a 15 se presentan una matriz A una matriz m × n.
y una forma escalonada de A. Halla bases para Col A y
Nul A, y dí cuáles son las dimensiones de estos subespa-
cios. 20.


1 −3 2 −4
 
1 −3 2 −4
 (a) Si B = v1 , . . . , v p es una base para un subespacio
 −3 9 −1 5 5 −7  H, y si x = c1 v1 + · · · + c p v p , entonces c1 , . . . , c p son
 ∼ 0 0

12. A = 
 2 −6
. las coordenadas de x relativas a la base B.
4 −3   0 0 0 5
−4 12 −2 7 0 0 0 0 (b) Cada recta en Rn es un subespacio unidimensional
de Rn .
 
1 −2 9 5 4 (c) La dimensión de Col A es el número de columnas
 1 −1 6 5 −3  pivote de A.
13. A = 
 −2

0 −6 1 −2 
4 1 9 1 −9 (d) La suma de las dimensiones de Col A y Nul A es
  igual al número de columnas de A.
1 −2 9 5 4
(e) Si un conjunto de p vectores genera un subespa-
0 1 −3 0 −7 
∼
 . cio p-dimensional H de Rn , entonces estos vectores
0 0 0 1 −2 
forman una base para H.
0 0 0 0 0

17
5.5. Espacio fila y rango 5. Espacios vectoriales

21. (a) Explica por qué para cada vector a j , existe un vector
c en R p tal que a j = B c j .
(a) Si B es una base para un subespacio H, entonces
(b) Sea C = [c1 . . . cq ]. Explica por qué existe un vector
cada vector en H puede escribirse sólo de una forma
diferente de cero tal que C u = 0.
como combinación lineal de los vectores en B .
(c) Usa B y C para demostrar que A u = 0. Esto de-
(b) Si B = {v1 , . . . , v p } es una base para un subespacio muestra que las columnas de A son dependientes.
H de Rn , entonces la correspondencia x 7→ [x]B hace
que H se vea y actúe igual que R p .
25. Usa el ejercicio 24 para mostrar que si A y B son bases
(c) La dimensión de Nul A es el número de variables para un subespacio W de Rn , entonces A no puede conte-
en la ecuación A x = 0. ner más vectores que B y, recíprocamente, que B no puede
(d) Si H es un subespacio p-dimensional de Rn , en- contener más vectores que A.
tonces un conjunto linealmente independiente de p
vectores en H es una base para H.
26. Con los vectores indicados a continuación, sean B =
{v1 , v2 } y H = Gen B = Gen{v1 , v2 }. Demuestra que x
está en H y halla el vector de coordenadas de x relativas a
la base B :
22. Construye una matriz A de orden 3 × 4 tal que      
11 14 19
dim Nul A = 2 y dim Col A = 2.  −5   −8   −13 
v1 =  10  , v2 =  13  , x =  18  .
    

23. Sea A una matriz n × p cuyo espacio columna es p- 7 10 15


dimensional. Explica por qué las columnas de A deben ser
linealmente independientes.
27. Con los vectores indicados a continuación, sean B =
{v1 , v2 , v3 } y H = Gen B = Gen{v1 , v2 , v3 }. Demuestra
24. Supongamos que los vectores b1 , . . . , b p generan un que x está en H y halla el vector de coordenadas de x
subespacio W, y sea {a1 , . . . , aq } cualquier subconjunto de relativas a la base B :
W que contenga más de p vectores. Completa los deta-
       
−6 8 −9 4
lles del siguiente argumento para demostrar que a1 , . . . , aq  4  −3   5  7
es un conjunto ligado. Primero, sean B = [b1 . . . b p ] y v1 =   −9  , v2 =  7  , v3 =  −8  , x =  −8  .
      
A = [ a1 . . . a q ] 4 −3 3 3

5.5. Espacio fila y rango de una matriz

El espacio fila de una matriz

Matriz traspuesta

Si A es una matriz real de m filas y n columnas, cada fila de A está compuesta por n números
reales y por tanto se puede identificar con un vector de Rn . Si cada fila de A se escribe como
una columna entonces obtenemos una nueva matriz que tiene m columnas y n filas. Esta nueva
matriz matriz se llama la matriz traspuesta de A y se denota AT .
traspuesta

Espacio fila

espacio fila Se llama espacio fila de una matriz A, y se denota Fil A, al espacio columna de su matriz
traspuesta. Esto es, el espacio fila de una matriz de m filas y n columnas es el subespacio de Rn
generado por las m filas de la matriz: Fil A = Col AT .
La diferencia fundamental entre el espacio fila y el espacio columna de una matriz consiste en
que, aunque la operaciones elementales de filas cambian el espacio columna de una matriz, éstas
no cambian el espacio fila. Esto es evidente para las operaciones de intercambio y de reescalado,
pero también para las operaciones de reemplazo porque para cualesquiera vectores u, v, el espacio

18
5. Espacios vectoriales 5.5. Espacio fila y rango

generado por ellos es el mismo que el generado por u y v + λu: Gen{u, v} = Gen{u, v + λu}.
En consecuencia tenemos:

TEOREMA 5.5.1

Dos matrices obtenidas una de otra mediante operaciones elementales de filas tienen el mismo espacio
fila. Si una de ellas tiene forma escalonada, sus filas no nulas forman una base del espacio fila de ambas.

La razón por la que las filas no nulas de una matriz escalonada son independientes es
que ninguna de ellas es combinación lineal de las siguientes. Esta observación, combinada con
el teorema 5.2.1 (ver pág. 8) demuestra la independencia de las filas no nulas de una matriz
escalonada.

Ejercicio resuelto: Hallar una base del espacio nulo, una base del espacio columna y una base
del espacio fila de la matriz
 
−2 −5 8 0 −17
 1 3 − 5 1 5
A=
 3 11 −19

7 1
1 7 −13 5 −3

Solución: Para hallar una base del espacio nulo necesitamos poner A en forma escalonada
reducida. En el camino para conseguirlo pasaremos por una forma escalonada de A de la que
sacaremos la información necesaria para obtener una base del espacio columna y una base del
espacio fila. Comenzamos, pues hallando una forma escalonada de A.
1 3 −5 1 5 1 3 −5 1 5 1 3 −5 1 5
     
F1 ↔ F2 F3 −3F1 F3 −2F2
F2 +2F1
0 1 −2 2 −7 F4 − F1 0 1 −2 2 −7 F4 −4F2 0 1 −2 2 −7 
A −−−−→ 3 11 −19 7 1
−−−−→ 0 2 −4 4 −14 −−−−→ 0 0 0 0 0
= B.
1 7 −13 5 −3 0 4 −8 4 −8 0 0 0 −4 20

Aunque aún no hemos llegado a una forma escalonada porque falta por realizar el intercambio
de las filas 3 y 4, ya podemos ver cuáles son las posiciones pivote y por tanto dar una base de
Col A y podemos ver cuáles son las filas no nulas de una forma escalonada de A, por lo que
podemos dar una base de Fil A:
Base de Col A: columnas 1, 2 y 4 de A (columnas pivote de A).
Base de Fil A: las filas no nulas de B (o las columnas no nulas de BT ).
Realizamos ahora operaciones elementales de filas para obtener la forma escalonada reducida
de A:
F ↔F 
3 4 1 3 −5

1 5

F2 −2F3 1 3

−5 0

10 1

0 1 0 1
− 14 F3
0 1 −2 2 −7 F1 − F3 0 1 −2 0 3 F1 −3F2 −2
B −−−−→ 0 0 1 0 3
0 0 1 −5 −−−−→ 0 0 0 1 −5 −−−−→ 0 0 0 1 −5 .
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

De aquí podemos leer la base del espacio nulo de A:

x1 = − x3 − x5          
x1 −1 −1 −1 −1 
x2 = 2x3 − 3x5

 −3   2  −3 
 
 x2   2  
x3 = x3  x3  = x3  1 + x5  0 , Base de Nul A =  1 ,  0 .
         
x   0  5   0  5 
x4 = 5x5 4 





x5 0 1 0 1
x5 = x5

19
5.5. Espacio fila y rango 5. Espacios vectoriales

Método alternativo: Al igual que la base del espacio columna de A está formada por columnas
de la propia A, es posible dar una base del espacio fila de A formada por filas de la propia
matriz A. Para ello basta escribir la traspuesta de A y obtener una forma escalonada de AT para
determinar cuáles son sus columnas pivote. La base de Fil A está formada por las columnas
pivote de AT . En el ejemplo anterior podríamos hacer lo siguiente: Para empezar, y con vistas a
simplificar los cálculos, intercambiamos las dos primeras filas de A, lo cual no afecta al espacio
fila. A partir de ahí, escribimos la traspuesta y hallamos una forma escalonada:

  F2 −3F1    
1 −2 3 1 F3 +5F11 −2 3 1 F3 +2F21 −2 3 1
 3 −5 11 7 F4 − F1
0 1 2 4 F4 −2F2
0 1 2 4
F5 −5F1 F5 +7F2
 −5 8 −19 −13 −−−−→ 0 −2 −4 −8 −−−−→ 0 0 0 0
     
 1 0 7 5 0 2 4 4 0 0 0 −4
5 −17 1 −3 0 −7 −14 −8 0 0 0 20

Incluso sin terminar de hacer la forma escalonada, podemos decir que las columnas pivote son la
primera, segunda y cuarta, por lo que una base del espacio fila de A está formada por las filas 1,
2 y 4 de A. Comparando esto con el resultado anterior, se puede comprobar que
                 
 −2
 1 1   1 0 0   1 0 0 
  −5  3  7 
    
    3  1  0 
   0  1 
 0 
Gen  8 , −5 , −13 = Gen −5 , −2 ,  0 = Gen 1 , −2 ,  0
                 
  0  1  5   1  2  −4 
 0
  
  
    0  1 
     
−17 −3 −7 −5
    
5 5 20 1 3

5.5.1 Ejercicio de tarea. Sabiendo que las matrices A y B dadas a continuación son equivalentes por
filas, escribe, justificando tus respuestas, (a) una base del espacio columna, (b) una base del
espacio fila y (c) una base del espacio nulo de A:

−1 −1
   
3 7 3 9 3 7 0 6
 −2 2 −2 7 5 0 2 4 0 3
A= , B= .
−5 9 3 3 4 0 0 0 1 1
−2 6 6 3 7 0 0 0 0 0
Solución: (a) {(3, −2, −5, −2), (−1, 2, 9, 6), (3, 7, 3, 3)}. (b) {(3, −1, 7, 0, 6), (0, 2, 4, 0, 3), (0, 0, 0, 1, 1)}. (c) {(−3, −2, 1, 0, 0), (− 52 , − 23 , 0, −1, 1)}

El teorema del rango

La dimensión del espacio columna de una matriz es el número de columnas pivote de la


matriz. Este número es igual al número de pivotes de la matriz. Por otra parte, la dimensión
del espacio fila es igual al número de filas no nulas en una forma escalonada cualquiera de la
matriz. Este número también es igual al número de pivotes de la matriz, por tanto, llegamos a la
siguente conclusión:

TEOREMA 5.5.2

Teorema del Rango


El espacio columna de una matriz A tiene la misma dimensión que el espacio fila. Esta dimensión común
del espacio fila y del espacio columna de A se conoce como el rango de A y se denota por Rang A. En
consecuencia, si A tiene n columnas, se verifica:

Rang A + dim Nul A = n

20
5. Espacios vectoriales 5.5. Espacio fila y rango

El rango y el teorema de la matriz inversible

TEOREMA 5.5.3

Teorema de la matriz inversible (continuado)


Una matriz cuadrada A de orden n es una matriz inversible si y sólo si se cumple cualquiera de las
siguientes condiciones:

9. Las columnas de A forman una base de Rn .


10. Col A = Rn .
11. dim Col A = n.
12. Rang A = n.
13. Nul A = {0}.
14. dim Nul A = 0.

Enlaces a los ejercicios de tarea de esta sección


Usa los siguientes enlaces para visualizar cada uno de los ejercicios de tarea que aparecen en
esta sección:
Enlaces: Ejercicio 1.

Ejercicios sección 5.5

En cada uno de los ejercicios 1 a 4 se dan dos matrices, 6. Sabiendo que A es una matriz 7 × 5 de rango 2, halla
A y B. Sabiendo que en cada caso las matrices, A y B son dim Nul A, dim Fil A y Rang( AT ).
equivalentes por filas y sin realizar ningún cálculo halla el
rango de A y una base del espacio fila de A, Fil A.
7. Suponiendo que A es una matriz 4 × 7 con cuatro pivotes,
    ¿Es Col A = R4 ?
4 5 9 −2 1 2 6 −5
1. A =  6 5 1 12  , B =  0 1 5 −6 .
3 4 8 −3 0 0 0 0 8. Sabiendo que A es una matriz 6 × 8 con cuatro pivotes,
halla dim Nul A. ¿Es Col A = R4 ? ¿Por qué?
   
−3 9 −2 −7 1 −3 6 9
2. A =  2 −6 4 8 , B = 0 0 4 5 . 9. Sabiendo que A es una matriz 4 × 6 cuyo espacio nulo
3 −9 −2 2 0 0 0 0 es tridimensional, halla la dimensión del espacio columna
de A. ¿Es Col A = R3 ? ¿Por qué?
   
1 4 8 −3 −7 1 4 8 0 5
−1 2 7 3 4  0 2 5 0 −1 10. Si el espacio nulo de una matriz 8 × 7 tiene dimensión
3. A = 
−2 ,B =  .
2 9 5 5 0 0 0 1 4 5, ¿cuál es la dimensión de su espacio columna?
3 6 9 −5 −2 0 0 0 0 0

  11. Si el espacio nulo de una matriz 8 × 5 tiene dimensión


3 −1 7 3 9 3, ¿cuál es la dimensión de su espacio fila?
 −2 2 −2 7 5
4. A = 
 ,
−5 9 3 3 4
−2 6 6 3 7 12. Si el espacio nulo de una matriz 5 × 4 tiene dimensión
  2, ¿cuál es la dimensión de su espacio fila?
3 −1 7 0 6
0 2 4 0 3
B=
 .
13. ¿Cuál es el máximo rango posible de una matriz 7 × 5?
0 0 0 1 1
0 0 0 0 0 ¿Y de una matriz 5 × 7?

5. Sabiendo que A es una matriz 4 × 7 de rango 3, halla 14. ¿Cuál es la máxima dimensión posible del espacio fila
dim Nul A, dim Fil A y Rang( AT ). de una matriz 5 × 4? ¿Y de una matriz 4 × 5?

21
5.5. Espacio fila y rango 5. Espacios vectoriales

15. ¿Cuál es la mínima dimensión posible del espacio nulo 23. Supongamos que un sistema homogéneo de doce ecua-
de una matriz 3 × 7? ciones lineales con ocho incógnitas tiene dos soluciones
que no son una múltiplo de la otra y toda otra solución es
16. ¿Cuál es la mínima dimensión posible del espacio nulo combinación lineal de esas dos. ¿Puede el conjunto solución
de una matriz 7 × 5? ser descrito por menos de doce ecuaciones lineales? En caso
afirmativo, ¿por cuántas?

En los ejercicios 17 y 18 indica para cada enunciado si 24. ¿Es posible que un sistema no homogéneo de siete ecua-
es verdadero o falso y justifica tus respuestas. ciones lineales con seis incógnitas sea determinado? ¿Es
posible que sea determinado para cualesquiera términos
17. independientes que se le pongan?

(a) El espacio fila de A es el mismo que el espacio co- 25. Supongamos que un sistema no homogéneo de diez
lumna de AT . ecuaciones lineales con doce incógnitas es compatible y
(b) Si B es una forma escalonad de A y si B tiene exac- tiene tres variables libres. ¿Seguirá siendo compatible to-
tamente tres filas no nulas, entonces las primeras do sistema obtenido del anterior al cambiar los términos
tres filas de A forman una base de Fil A. independientes como se quiera?
(c) Las dimensiones del espacio fila y del espacio co-
lumna de cualquier matriz son siempre iguales sin Los ejercicios 26 a 28 tratan sobre los espacios fundamen-
excepción incluso si la matriz no es cuadrada. tales asociados con una matriz A de m filas y n columnas.
(d) La suma de las dimensiones del espacio fila y del
espacio nulo de una matriz cualquiera A es igual al 26. ¿Cuántos subespacios distintos aparecen el la siguiente
número de columnas de A. lista: Fil A, Fil A, Fil A, Fil A, Fil A, Fil A? ¿Cuáles de ellos
están en Rm y cuáles en Rn ?
(e) Las operaciones elementales hechas en un ordena-
dor pueden cambiar el rango aparente de una ma-
triz. 27. Justifica las siguientes igualdades:
(a) dim Fil A + dim Nul A = n
18. (b) dim Col A + dim Nul AT = m
(a) Si B es una forma escalonada de A, entonces las
28. Usa el ejercicio anterior para explicar por qué la ecua-
columnas pivote de B forman una base del espacio
ción Ax = b tiene solución para todo b de Rm si y sólo si
columna de A.
la ecuación AT x = 0 tiene únicamente la solución trivial.
(b) Las operaciones elementales de filas conservan las
relaciones de dependencia lineal que pueda haber 29. Supongamos que A es una matriz m × n y b es un vector
entre las filas de una matriz. de Rm . ¿Qué deben cumplir los dos números Rang[ A b] y
(c) La dimensión del espacio nulo de A es el número Rang A para que la ecuación Ax = b sea compatible?
de columnas de A que no son columnas pivote.
(d) El espacio fila de AT es igual al espacio columna de Las matrices de rango 1 tienen gran importancia en
A. ciertos algoritmos numéricos programables en el ordenador
(e) Si A y B son matrices equivalentes por filas entonces y en ciertos contextos numéricos como es la descomposición
sus espacios fila son el mismo. en valores singulares. Se puede demostrar que una matriz
A tiene rango 1 si y sólo si es de la forma A = uvT . Los
ejercicios 30 a 32 sugieren por qué esta propiedad es cierta.
19. Supongamos que las soluciones de un sistema homo-
géneo de cinco ecuaciones lineales con seis incógnitas son 
  
2 a
todas múltiplos de una solución no trivial. ¿Tendrá solu-
30. Siendo u = −3 y v = b verifica Rang(uvT ) ≤ 1.
ción todo sistema que tenga los mismos coeficientes pero
5 c
distintos términos independientes?
   
1 −3 4 1
20. Supongamos que un sistema no homogéneo de seis 31. Siendo A = yu= halla un vector
2 −6 8 2
ecuaciones lineales con ocho incógnitas es compatible y
v en R3 tal que A = uvT .
tiene dos variables libres. ¿Es posible modificar los térmi-
nos independientes de forma que el nuevo sistema sea
incompatible? 32. Sea A una matriz 2 × 3 tal que Rang A = 1 y sea u la
primera columna de A. Explica por qué si u 6= 0 entonces
existe un vector v ∈ R3 tal que A = uvT . ¿Qué se podría
21. Supongamos que un sistema no homogéneo de nueve hacer si u = 0?
ecuaciones lineales con diez incógnitas sigue siendo compa-
tible aunque se cambien los términos independientes como
33. Sea A una matriz m × n de rango r > 0 y sea U una
se quiera. ¿Es posible hallar dos soluciones independientes
forma escalonada de A. Explica por qué existe una matriz
del sistema homogéneo asociado?
inversible E tal que A = EU. Usa esta factorización para
escribir A como la suma de matrices de rango 1.
22. ¿Es posible que todas las soluciones de un sistema ho- (Pista: Piensa en un producto de matrices como un producto de ma-
mogéneo de 10 ecuaciones lineales con 12 incógnitas sean trices por bloques en el que la matriz de la izquierda está partida
múltiplos de una misma solución no trivial? ¿Por qué? en sus columnas y la de la derecha en sus filas.)

22
5. Espacios vectoriales 5.6. Cambios de base

5.6. Cambios de Base en un espacio vectorial

Matriz de cambio de base

Supongamos que B y C son dos bases de un espacio vectorial V. Entonces tenemos las
funciones de coordenadas
TB TC / n
Rn o V R

y podemos formar la aplicación lineal compuesta TC ◦ TB−1

TB−1 TC / n
Rn /V 5R
TC ◦ TB−1

[v]B 7→ v 7→ [v]C

Esta aplicación transforma las coordenadas de un vector de V relativas a la base B en las


coordenadas de ese mismo vector relativas a la base C . En consecuencia, si denotamos PC←B a la
matriz canónica de esta aplicación lineal, para cualquier vector v de V se verifica:

PC←B [v]B = [v]C ,

por ello, esta matriz PC←B se llama la matriz de cambio de base de la base B a la base C .
Existe una fórmula para calcular la matriz PC←B . La idea es calcular sus columnas usando el
hecho de que ei = [bi ]B . Por ejemplo, la primera columna es:

1a col. de PC←B = PC←B e1 = PC←B [b1 ]B = [b1 ]C .




Aplicando el mismo razonamiento a cada una de las demás columnas, se llega a la conclusión de
que la matriz de cambio de base de B a C , PC←B , es:
 
PC←B = [b1 ]C . . . [bn ]C .

Las columnas de la matriz de cambio de base PC←B son las coordenadas de los vectores de la base B
relativas a la base C .
Evidentemente la inversa de la matriz PC←B es la matriz de cambio de base de la base C a la
base B :
( PC←B )−1 = PB←C .

De todo lo dicho se deduce inmediatamente lo siguiente:

PROPOSICIÓN 5.6.2

Toda matriz inversible de orden n es la matriz de cambio de base de la base formada por sus columnas a
la base canónica de Rn .

23
5.6. Cambios de base 5. Espacios vectoriales

Distintas matrices de una aplicación lineal T : Rn → Rm


Sea B = {b1 , . . . , bn } una base de Rn , C = {c1 , . . . , cm } una base de Rm , y sea T : Rn → Rm
una aplicación lineal. Se puede demostrar que existe una única matriz M, que se llama matriz de
T relativa a las bases B (en Rn ) y C (en Rm ), que tiene la propiedad de que multiplicada por el
vector de B -coordenadas [x]B de cualquier x ∈ Rn da como resultado el vector de C -coordenadas
de la imagen de x, T (x), es decir:
M[x]B = [ T (x)]C .

Suponiendo que tal matriz existe es fácil deducir una fórmula para calcularla. El razonamiento
es el siguiente: Si M[x]B = [ T (x)]C para cualquier vector x ∈ Rn , en particular esa igualdad será
cierta cuando se toma como vector x cualquiera de los vectores b1 , . . . , bn de la base B . Pero
[bi ]B = e1 , la i-ésima columna de la identidad In , por tanto la ecuación satisfecha por la matriz
M nos dice que
[ T (bi )]C = M[bi ]B = Mei = columna i-ésima de M.
Hemos averiguado, pues, cuáles son las columnas de M y podemos escribir:
 
M = [ T (b1 )]C . . . [ T (bn )]C ,

es decir: Las columnas de M son los vectores de coordenadas en la base C de las imágenes por T de los
vectores de la base B .

Ejemplo 1: Sean B = {b1 , b2 } una base de R2 y C = {c1 , c2 , c3 } una base de R3 y sea T : R2 →


R3 la aplicación lineal definida por:

T (b1 ) = 3c1 − 2c2 + 5c3 , T (b2 ) = 4c1 + 7c2 − c3 .

Se pide hallar la matriz M que transforma las B -coordenadas de los vectores de R2 en las
C -coordenadas de sus imágenes.
Solución: Las columnas de M son los vectores de coordenadas:
     
  3   4 3 4
T ( b1 ) C =  −2 , T ( b2 ) C =  7 , luego: M =  −2 7 .
5 −1 5 −1

La matriz de una aplicación lineal T : V → W


Se observa en el ejemplo anterior que el hecho de que los vectores b1 y b2 sean vectores de
R2 no juega ningún papel ni en el planteamiento del problema ni en su solución, como tampoco
lo juega el hecho de que los vectores c1 , c2 y c3 sean vectores de R3 . En lo que concierne a este
ejemplo, bien podrían haber sido b1 y b2 vectores de R5 o de cualquier otro espacio vectorial con
dos o más dimensiones (para que pueda haber un conjunto de dos vectores independientes). Por
ejemplo, un ejercicio podría decir:

Sean B = {b1 , b2 } una base de un subespacio H ⊂ R5 y C = {c1 , c2 , c3 } una base de un subespacio


K ⊂ R4 y sea T : H → K la aplicación lineal definida por:

T (b1 ) = 3c1 − 2c2 + 5c3 , T (b2 ) = 4c1 + 7c2 − c3 .

Se pide hallar la matriz M que transforma las B -coordenadas de los vectores de H en las C -coordenadas de
sus imágenes.

La solución sería idéntica a la anterior.

24
5. Espacios vectoriales 5.6. Cambios de base

Yendo un poco más lejos, podemos decir que los vectores de las bases B y C ni siquiera tienen
que ser vectores de espacios Rn , sino que lo mismo se puede plantear si el papel de H y K lo
toman espacios vectoriales arbitrarios V y W (pero de dimensiones 2 y 3 respectivamente), de
forma que el ejercicio diría:

Sean B = {b1 , b2 } una base de un espacio vectorial V y C = {c1 , c2 , c3 } una base de un espacio
vectorial W y sea T : V → W la aplicación lineal definida por:
T (b1 ) = 3c1 − 2c2 + 5c3 , T (b2 ) = 4c1 + 7c2 − c3 .
Se pide hallar la matriz M que transforma las B -coordenadas de los vectores de V en las C -coordenadas de
sus imágenes.

De nuevo la solución sería idéntica a la del primer ejemplo.


Así pues, tenemos lo siguiente:
Si B = {b1 , . . . , bn } es una base de un espacio vectorial V, C = {c1 , . . . , cm } una base de un
espacio vectorial W y T : V → W es una aplicación lineal, la matriz M cuyas columnas son los
vectores de C -coordenadas de las imágenes T (bi ),
 
M = [ T (b1 )]C . . . [ T (bn )]C ,
verifica, para cada vector x ∈ V,
M[x]B = [ T (x)]C .

La matriz de una aplicación lineal T : V → V relativa a una base de V


En el caso especial pero muy frecuente de que la aplicación lineal sea de un espacio vectorial
en sí mismo, no necesitamos dos bases distintas de ese espacio vectorial para definir una matriz
para la aplicación lineal. Si T : V → V es una aplicación lineal, y B = {b1 , . . . , bn } una base de
V, llamamos matriz de T relativa a la base B , y la denotamos [ T ]B , la matriz que verifica:
[ T ]B [x]B = [ T (x)]B para cada vector x ∈ V.
Y según vimos en el apartado anterior la matriz [ T ]B se calcula por la fórmula:
 
[ T ]B = [ T (b1 )]B . . . [ T (bn )]B .

   
1 5
Ejemplo 2: Sea B = {b1 , b2 } la base de R2 dada por b1 = y b1 = , y sea T : R2 → R2
 1  4
1 1
la aplicación lineal definida por: T (x) = Ax donde A = . Se pide hallar la matriz [ T ]B
−1 3
(matriz de T respecto a la base B ).
 
Solución: Sabemos que [ T ]B = [ T (b1 )]B [ T (b2 )]B , luego necesitamos calcular:
         
1 1 1 2 1 1 5 9
T (b1 ) = Ab1 = = y T (b2 ) = Ab2 = = .
−1 3 1 2 −1 3 4 7
Ahora tenemos que calcular los vectores de coordenadas [ T (b1 )]B = PB←can T (b1 ) y [ T (b2 )]B =
PB←can T (b2 ). Para ello necesitamos la matriz de cambio de base de la base canónica a la base B :
  −1  
−1
  −1 1 5 −4 5
PB←can = Pcan ←B = [ b ]
1 can [ b ]
2 can = = .
1 4 1 −1
Así que finalmente,
      
2 9 −4 5 2 9 2 −11
[ T ]B = PB←can = =
2 7 1 −1 2 7 0 2

25
5.6. Cambios de base 5. Espacios vectoriales

Cómo cambia la matriz de T : V → V al realizar un cambio de base en V

Suponemos ahora que tenemos una aplicación lineal T : V → V y que conocemos su matriz
respecto a una base B = {b1 , . . . , bn } de V. Si nos dan una segunda base de V, C = {c1 , . . . , cn },
sabemos que las coordenadas de los vectores respecto a una base y la otra están relacionadas por
la fórmula de “cambio de base” (o “cambio de coordenadas”)

[x]C = PC←B [x]B ,

donde la “matriz de cambio de base”, PC←B , está dada por:


 
PC←B = [b1 ]C . . . [bn ]C .

En estas condiciones nos preguntamos: ¿Qué relación existe entre las matrices de T respecto a
las dos bases B y C ?
Para contestar a esta cuestión multiplicamos la matriz de T respecto a la base C por las
columnas de la matriz de cambio de base PC←B , que son los vectores de C -coordenadas de los
vectores de la base B , de forma que tenemos:
 
[ T ]C PC←B = [ T ]C [b1 ]C . . . [ T ]C [bn ]C
 
= [ T (b1 )]C . . . [ T (bn )]C
 
= PC←B [ T (b1 )]B . . . PC←B [ T (bn )]B
 
= PC←B [ T (b1 )]B . . . [ T (bn )]B = PC←B [ T ]B ,

es decir,
−1
[ T ]C = PC←B [ T ]B PC←B .

De este resultado se deduce una consecuencia muy importante:


Las matrices respecto a distintas bases de una aplicación lineal de un espacio vectorial V en sí mismo
son matrices semejantes unas a otras.
Usando este resultado se puede resolver de otra forma el ejercicio de ejemplo anterior:
   
1 5
5.6.1 Ejercicio de tarea. Sea B = {b1 , b2 } la base de R2 dada por b1 = y b2 = , y sea
 1  4
2 2 1 1
T : R → R la aplicación lineal definida por: T (x) = Ax donde A = . Se pide hallar la
−1 3
matriz [ T ]B (matriz de T respecto a la base B ).
Solución: Sabemos que [ T ]can = A = −1 3 , luego basta calcular: [ T ]B = PB←can [ T ]can PB← can = 1 −1 −1 3 14 = 0 2 .
−4 5 2 −11
11
  −1  11
 15
 

Enlaces a los ejercicios de tarea de esta sección


Usa los siguientes enlaces para visualizar cada uno de los ejercicios de tarea que aparecen en
esta sección:
Enlaces: Ejercicio 1.

Ejercicios sección 5.6

26
5. Espacios vectoriales 5.6. Cambios de base

1. Sean B = {b1 , b2 } y C = {c1 , c2 } bases de un es- 11.


pacio vectorial V, y supongamos que b1 = 6c1 − 2c2 y
b2 = 9c1 − 4c2 . (a) Las columnas de la matriz de cambio de coorde-
nadas PC←B son vectores de B -coordenadas de los
(a) Halla la matriz de cambio de base de B a C . vectores en C .
(b) Halla [x]C para x = −3b1 + 2b2 . (Usa el apartado (b) Si V = Rn y C es la base canónica de Rn , enton-
(a).) ces PC←B es la matriz de la función de coordenadas
x 7→ [x]B .
(c) Las columnas de PC←B son linealmente indepen-
2. Sean B = {b1 , b2 } y C = {c1 , c2 } bases de un espa- dientes.
cio vectorial V, y supongamos que b1 = −c1 + 4c2 y (d) Si V = R2 , B = {b1 , b2 }, y C = {c1 , c2 }, entonces la
b2 = 5c1 − 3c2 . forma escalonada reducida de la matriz [c1 c2 b1 b2 ]
(a) Halla la matriz de cambio de base de B a C . es una matriz [ I P] donde P tiene la propiedad
[x]B = P · [x]C para todo x en V.
(b) Halla [x]C para x = 5b1 + 3b2 .

3. Sean U = {u1 , u2 } y W = {w1 , w2 } bases de V, y sea P Los ejercicios 12 y 13 sirven para demostrar que la
una matriz cuyas columnas son [u1 ]W y [u2 ]W . ¿Cuál de matriz de cambio de coordenadas es única y que sus co-
las siguientes ecuaciones es satisfecha por P para todo x en lumnas son las coordenadas de los vectores de la base vieja
V? relativos a la nueva. B = {b1 , . . . , bn } y C son dos bases
de un espacio vectorial V. Completa la demostración para
(i) [x]U = P · [x]W ; (ii)[x]W = P · [x]U . cada paso escribiendo lo que sea adecuado en el espacio
indicado.
4. Sean A = {a1 , a2 , a3 } y D = {d1 , d2 , d3 } bases de V, y
sea P = [[d1 ]A [d2 ]A [d3 ]A ]. ¿Cuál de las siguientes ecua- 12.
ciones es satisfecha por P para todo x en V?
(a) Dado un vector v en V, sabemos que exisien núme-
(i) [x]A = P · [x]D ; (ii)[x]D = P · [x]A . ros x1 , . . . , xn tales que
v = x1 b1 + x2 b2 + · · · + x n b n
5. Sean A = {a1 , a2 , a3 } y B = {b1 , b2 , b3 } bases para
un espacio vectorial V, y supongamos que a1 = 4b1 − b2 , porque .
a2 = −b1 + b2 + b3 , y a3 = b2 − 2b3 . (b) Si aplicamos la función de coordenadas x 7→ [x]C a
v se obtiene
(a) Halla la matriz de cambio de coordenadas de A a
B. [ v ] C = x1 [ b1 ] C + x2 [ b2 ] C + · · · + x n [ b n ] C
(b) Halla [x]B para x = 3a1 + 4a2 + a3 . porque .
(c) Esta ecuación puede escribirse en la forma
6. Sean D = {d1 , d2 , d3 } y F = {f1 , f2 , f3 } bases para un
x1
 
espacio vectorial V, y supongamos que f1 = 2d1 − d2 + d3 ,  . 
f2 = 3d2 + d3 , y f3 = −3d1 + 2d3 .

[v]C = [b1 ]C [b2 ]C · · · [bn ]C  ..  (5.6)
(a) Halla la matriz de cambio de coordenadas de F a xn
D. por la definición de .
(b) Halla [x]D para x = f1 − 2f2 + 2f3 .
 para cada v en V, la ma-
(d) Esto muestra que
triz PC←B = [b1 ]C [b2 ]C · · · [bn ]C cum-
ple [v]C = PC←B · [v]B (transforma las coor-
En los ejercicios 7 a 10, sean B = {b1 , b2 } y C = denadas de B a C ) porque el vector en el
{c1 , c2 } bases para R2 . En cada ejercicio, halla la matriz de miembro de la derecha de la ecuación (5.6) es
cambio de coordenadas (o cambio de base) de B a C y la .
matriz de cambio de coordenadas de C a B .

−3 1 −2
13. Supongamos que Q es cualquier matriz que transforma
7
   
7. b1 = 5 , b2 = −1 , c1 = −5 , c2 = 2 las coordenadas de B a C , es decir que cumple:
 
−1
 
1

1

1 para cada v en V, [v]C = Q · [v]B (5.7)
8. b1 = , b2 = , c1 = , c2 =
8 −5 4 1
(a) Si ponemos b1 en lugar de v en la ecuación
       (5.7), entonces la ecuación que resulta muestra
−6 2 2 6 que [b1 ]C es la primera columna de Q porque
9. b1 = , b2 = , c1 = , c2 =
−1 0 −1 −2 .
      (b) De manera similar, para k = 2, . . . , n, la k-
7 2 4 5 ésima columna de Q es porque
10. b1 = , b2 = , c1 = , c2 =
−2 −1 1 2 .
(c) Esto muestra que la matriz
En el ejercicio 11, B y C son bases de un espacio vecto- 
PC←B = [b1 ]C [b2 ]C · · · [bn ]C

rial V. Indica para cada enunciado si es verdadero o falso.
Justifica tus respuestas. es la única que satisface la ecuación (5.7).

27
5.6. Cambios de base 5. Espacios vectoriales

14. Considera la matriz En los ejercicios 15 a 18 A = {a1 , a2 , a3 } y B =


  {b1 , b2 , b3 } son dos bases de un espacio vectorial V tales
1 2 −1
que a1 = 4b1 − b2 , a2 = −b1 + b2 + b3 , a3 = b2 − 2b3 y
P =  −3 −5 0
T : V → V es la aplicación lineal definida por: T (a1 ) = −a2 ,
4 6 1
T ( a2 ) = a1 + a3 , T ( a3 ) = a1 − a3 .
y los vectores
     
−2 −8 −7 15. Halla la matriz PB←A de cambio de base de A a B .
v1 =  2  , v2 =  5  , v3 =  2  .
3 2 6
16. Halla la matriz [ T ]A de T relativa a la base A y la matriz
(a) Halla una base {u1 , u2 , u3 } de R3 tal que P sea la [ T ]B relativa a la base B .
matriz de cambio de coordenadas de {u1 , u2 , u3 } a
la base {v1 , v2 , v3 }.
17. Halla las B -coordenadas del vector x = 3a1 + 4a2 + a3 .
Pista: ¿Qué representan las columnas de PC←B ?
(b) Halla una base {w1 , w2 , w3 } de R3 tal que P sea la  
matriz de cambio de coordenadas de {v1 , v2 , v3 } a 18. Calcula, para el vector x del ejercicio anterior, T (x) A
 
la base {w1 , w2 , w3 }. y T (x) B .

28

También podría gustarte