Академический Документы
Профессиональный Документы
Культура Документы
12 MATEMÁTICAS
Espacios vectoriales.
Variedades lineales.
Aplicaciones entre espacios
vectoriales.
Teorema de isomorfía.
24-13804-13
Temario 1993
tema 12
matemáticas
1. Espacios vectoriales
1.1. Concepto de espacio vectorial
2. Variedades lineales
2.1. Combinaciones lineales
4. Teorema de isomorfía
4.1. Isomorfismos
3
tema 12
matemáticas
INTRODUCCIÓN
Los espacios vectoriales no se entenderían hoy en día sin el concepto de vector. Éste está
estrechamente ligado a otros campos como la Mecánica, la Dinámica y otros relacionados
con la física.
Es a finales del siglo XVII cuando aparecen las primeras referencias al concepto “vector”,
aunque no es hasta dos siglos más tarde cuando autores como Gauss, Möbius, Bellavitis,
Grassmann o Hamilton hacen referencia en sus estudios y artículos a todo lo que envuel-
ve al espacio vectorial.
A lo largo del tema se trabajará detalladamente a todo lo concerniente a los espacios y
subespacios vectoriales, haciendo especial énfasis en las variedades lineales (dependencia
e independencia lineal, combinación lineal de vectores, base de un espacio vectorial, etc.)
y en las aplicaciones entre espacios vectoriales.
5
tema 12
matemáticas
1 Espacios vectoriales
Dado un conjunto no vacío V y dos leyes de composición, una interna (+) entre
elementos de V y otra externa (·) en V con escalares en K, llamaremos k-espacio
vectorial a la terna (V, +, ·K) siempre que:
a) (V, +) es un grupo abeliano, es decir,
La ley de composición interna +: V × V → V verifica:
(u, v) → u + v
1. Propiedad asociativa:
(u + v) + w = u + (v + w) ∀u, v, w ∈ V
2. Existencia de elemento neutro (que denotaremos por 0).
∃ 0 ∈ V / ∀u ∈ V, u + 0 = 0 + u = u
3. Existencia de elemento opuesto:
∀u ∈ V, ∃ –u ∈ V / u + (–u) = (–u) + u = 0
4. Propiedad conmutativa:
u + v = v + u ∀u, v ∈ V
b) La ley de composición externa: K × V → V:
(α, u) → αu
cumple:
5. Propiedad distributiva con respecto a los escalares:
(α + β)u = αu + βu ∀α, β ∈ K ∀u ∈ V
6. Propiedad distributiva con respecto a los elementos de V:
α(u + v) = αu + αv ∀α ∈ K ∀u, v ∈ V
7. Propiedad asociativa mixta:
α(βu) = (αβ) u ∀α, β ∈ K ∀u ∈ V
8. La unidad de K es el elemento neutro para la ley de composición externa:
1 · u = u ∀u ∈ V (1 ∈ K)
A la operación interna (+) definida en V se le llama suma y a la externa (·) produc-
to por escalares.
A los elementos de V se les llama vectores y a los de K escalares.
Ejemplos:
1) [x], el conjunto de los polinomios con coeficientes reales en una indetermi-
nada, es un espacio vectorial con dominio de operadores .
2) El conjunto Mnxm(K) de las matrices definidas sobre un cuerpo K es un espacio
vectorial sobre K.
6
tema 12
matemáticas
Definición
Se llama diferencia de dos vectores u y v y se representa por u – v a la suma de u
con el opuesto de v, es decir, u – v = u + (–v).
u + v = u + w ⇒ v = w ∀u, v, w ∈ V
Demostración
En efecto, sumando –u a los dos miembros de la igualdad:
(–u) + (u + v) = (–u) + (u + w)
de donde aplicando la propiedad asociativa:
((–u) + u) + v = ((–u) + u) + w ⇒ 0 + v = 0 + w ⇒ v = w
2. El producto del escalar cero por cualquier vector es el vector nulo.
0u = 0 ∀u ∈ V
Demostración
En efecto, αu = (α + 0) u = αu + 0u (por propiedad distributiva con respecto a
los escalares), pero como αu = αu + 0 (por propiedad existencia de elemento
neutro en V) se tiene:
αu + 0 = αu + 0u y por la propiedad 1, 0u = 0
3. El producto de cualquier escalar por el vector nulo es el vector nulo.
α0 = 0 ∀ α ∈ K
Demostración
αu = α(u + 0) = αu + α0, pero αu = αu + 0 (por propiedad existencia de ele-
mento neutro en V), luego:
αu + 0 = αu + α0 ⇒ α0 = 0
4. Si el producto de un escalar por un vector es el vector nulo, entonces el escalar
es 0 o el vector es nulo.
αu = 0 ⇒ α = 0 o u = 0
Demostración
Consideremos dos casos: α = 0 y α ≠ 0.
Si α = 0 por la propiedad 2 es evidente que se verifica.
Si α ≠ 0, ∃α –1∈ K y como:
αu = 0 ⇒ α –1(αu) = α –1·0 ⇒ (α –1α)u = 0 ⇒ 1·u = 0 ⇒ u = 0
7
tema 12
matemáticas
8
tema 12
matemáticas
Ejemplos:
3) n[x], el conjunto de los polinomios de grado ≤ n con coeficientes reales en
una indeterminada, es un espacio subespacio vectorial de [x].
4) El conjunto de todas las matrices simétricas del espacio vectorial Mnxn(K) for-
man un subespacio vectorial de dicho espacio.
Proposición
Sea V un K-espacio vectorial S ⊂ V son S ≠ ∅ . Son equivalentes:
1. S es un subespacio vectorial de V.
2. ∀u, v ∈ S y ∀ α ∈ K, u + v ∈ S y αu ∈ S.
3. ∀u, v ∈ S y ∀ α, β ∈ K, αu + βv ∈ S.
Demostración
1. ⇒ 2.
Como S es un subespacio, las operaciones de suma y producto por un escalar son
cerradas. Luego trivialmente se verifica 2.
2. ⇒ 3.
∀u, v ∈ S y ∀ α, β ∈ K, por hipótesis αu, βv ∈ S, y de nuevo aplicando 2, αu + βv ∈ S.
3. ⇒ 1.
Para ver que S es un subespacio vemos que (S, +) es subgrupo:
∀u, v ∈ S si tomamos α = 1 y β = –1 entonces u – v ∈ S
Para comprobar que la operación externa es cerrada:
∀ u, v ∈ S tomamos β = 0 y entonces αu ∈ S ∀ α ∈ K
XX Intersección de subespacios
Definición
Dados dos subespacios S1, S2 de V sobre K, llamaremos intersección de S1 y S2, y
lo representaremos por S1 ∩ S2, al conjunto de los vectores de V que pertenecen a
S1 y a S2, es decir:
S1 ∩ S2 = {u ∈ V | u ∈ S1 y u ∈ S2}
Esta definición se puede generalizar para más de dos subespacios de la siguiente
forma:
Definición
Dada una familia de subespacios {Si}, i ∈ I de (V, + , · K), llamaremos intersección
de dicha familia al conjunto i∩
∈I Si, formado por los elementos de V que pertenecen
a todo subespacio Si, es decir:
∩ S = {u ∈ V | u ∈ S ∀i ∈ I}
i∈Ii i
9
tema 12
matemáticas
XX Teorema
XX Unión de subespacios
Definición
Dados dos subespacios S1, y S2 de (V, +, ·K) llamaremos unión de S1, y S2, y lo
representaremos por S1 ∪ S2, al conjunto de elementos de V que pertenecen a S1
o a S2, es decir:
S1 ∪ S2 = {u ∈ V | u ∈ S1 o u ∈ S2}
La definición se puede generalizar como sigue.
Definición
Dada una familia de subespacios {Si} i ∈ I de (V, +, ·K), se llama unión de dicha
familia al conjunto
∪ S = {u ∈ V | ∃ i ∈ I, u ∈ S }
i∈Ii i
XX Suma de subespacios
Definición
Dados dos subespacios S1 y S2 de (V, +, ·K), llamaremos suma de S1 y S2 y lo de-
notaremos por S1 + S2, al conjunto de vectores de V que se pueden expresar como
suma de dos vectores, uno de S1 y otro de S2, es decir:
S1 + S2 = {u ∈ V | u = u1 + u2, u1 ∈ S1 y u2 ∈ S2}
10
tema 12
matemáticas
XX Teorema
XX Suma directa
Definición
Dados dos subespacios S1 y S2 de (V, +, ·K), tales que S1 ∩ S2 = {0}, a su suma se
le llama suma directa y la denotamos por S1 = S1 ⊕ S2.
S = S1 ⊕ S2 ⇔ S = S1 + S2 y S1 ∩ S2 = {0}
Proposición
S = S1 ⊕ S2 ⇔ ∀u ∈ S ∃!u1 ∈ S1 ∃!u2 ∈ S2 | u = u1 + u2
11
tema 12
matemáticas
Demostración
⇒)
Como S = S1 ⊕ S2, en particular S = S1 + S2 y por lo tanto:
∀u ∈ S ∃u1 ∈ S1 ∃u2 ∈ S2 tales que u = u1 + u2.
Veamos que son únicos. Supongamos que existen u’1 ∈ S1, u’2 ∈ S2 con
u = u’1 + u’2. Entonces:
u1 + u2 = u’1 + u’2 ⇒ u1 – u’1 = u’2 – u2
Ahora bien u1 – u’1 ∈ S1, u’2 – u2 ∈ S2 y son iguales, por lo tanto:
u1 – u’1, u’2 – u2 ∈ S1 ∩ S2 y como la suma es directa u1 – u’1 = 0 = u’2 – u2. De
donde u’1 = u1 y u’2 = u2.
⇐)
∀u ∈ S ∃!u1 ∈ S1 ∃!u2 ∈ S2 | u = u1 + u2 ⇒ S = S1 + S2
Ahora, sea u ∈ S1 ∩ S2 ⇒ u ∈ S1, u ∈ S2 ⇒ u = u + 0 = 0 + u. Pero como por hipó-
tesis la expresión es única ⇒ u = 0. Luego S1 ∩ S2 = {0}
Definición
Dados los subespacios S1,..., Sn de (V, +, ·K) tales que:
(S1 + … + Si ) ∩ Si+1 = {0} ∀i = 1,…,n−1, a su suma se le llama suma directa y se
representa por S = S1 ⊕ S2 ⊕ ... ⊕ Sn.
Se cumple que la suma directa de subespacios vectoriales es un subespacio vec-
torial y se caracteriza por el hecho de que todo vector de S se puede expresar de
forma única como suma de vectores de los subespacios Si.
12
tema 12
matemáticas
2 Variedades lineales
Definición
Dado un conjunto finito de vectores H = {u1, u2, ..., un} de un espacio vectorial
(V, +, ·K), llamaremos combinación lineal del conjunto H a todo vector u ∈ V tal
que:
n
u = α1 u1 + α 2 u2 + ... + α nun = ∑ α u , donde α ∈ K
i =1
i i i
n n m m n
w = ∑ α i vi = ∑ α i ∑ βij u j = ∑ ∑ α i βij u j
i =1 i =1 j =1 j =1 i =1
XX Teorema
13
tema 12
matemáticas
∑
En efecto, si u = α i ui ∈ L(H) y α ∈ K entonces:
i =1
n n n
αu = α ∑ α u = ∑ α (α u ) = ∑ (αα ) u
i =1
i i
i =1
i i
i =1
i i
∈ L(H)
XX Dependencia lineal
Definición 1
Un conjunto de vectores H = {u1, u2, ..., un} de un espacio vectorial V se dice
que es ligado o que sus vectores son linealmente dependientes cuando existen
α1, α2, ..., αn elementos de K, no todos nulos, tales que:
α1 u1+ α2 u2+ ... + αn un = 0
Definición 2
Un conjunto de vectores H = {u1, u2, ..., un} de un espacio vectorial V se dice que
es linealmente dependiente, si al menos uno de ellos se puede expresar como
combinación lineal del resto.
Proposición
Las definiciones 1 y 2 son equivalentes.
Demostración
a) Definición 1 ⇒ Definición 2.
Si H es linealmente dependiente según la definición 1,
∃ α1, α2, ..., αi, ..., αn ∈ K
no todos nulos tales que α1 u1 + α2 u2 + ... + αiui + ... + αn un = 0
Supongamos que α i ≠ 0 ⇒ ∃ α i–1 ∈ K, y multiplicando la igualdad anterior por
α i–1 queda:
α i–1 α 1 u1 + α i–1 α 2 u2 + ... + α i–1 α iui + ... + α i–1 α n un = α i–1 · 0 = 0 ⇒
⇒ α i–1 α 1 u1 + α i–1 α 2 u2 + ... + ui + ... + α i–1 α n un = 0 ⇒ ui = ∑ −α
j ≠i
i
−1
α ju j
⇒ ui es combinación lineal de los restantes vectores de H.
14
tema 12
matemáticas
b) Definición 2 ⇒ Definición 1.
Supongamos que ui es combinación lineal del resto de los vectores de H.
ui = α1 u1 + α2 u2 + ... + αi–1ui–1 + α i+1ui+1 + ... + α n un ⇒
– α1 u1 – α2 u2 – ... – α i–1ui–1 + ui – α i+1ui+1 – ... – αn un = 0 ⇒ se verifica la defi-
nición 1.
Ejemplo:
1) En el espacio vectorial real de la funciones reales en una variable real, F(,),
el conjunto de vectores {1, cos2x, sin2x} es ligado.
XX Independencia lineal
Definición
Un conjunto o familia de vectores H = {u1, u2, ..., un} de un espacio vectorial V se
dice que es libre o que sus vectores son linealmente independientes cuando la
única combinación lineal de dichos vectores cuyo resultado es el vector nulo es la
trivial, es decir, aquella en que α1 = α2 = ... = αn = 0.
n
H linealmente independiente ⇔ 0 = ∑α u i i ⇒ αi = 0, ∀i = 1,..., n
i =1
Ejemplo:
2) En F(,), la familia {cos x, sin x} es libre.
Proposición
Si un vector es combinación lineal de una familia de vectores linealmente inde-
pendiente, entonces dicha combinación lineal es única.
Demostración
Sea u combinación lineal de la familia H = {u1, ..., un} linealmente inde-
pendiente y supongamos que existen dos combinaciones lineales distintas:
u = α1u1+ ... + αnun y u = β1ui + ... + βnun.
De estas igualdades se deduce que:
α1u1+ ... + αnun = β1ui + ... + βnun ⇒ (α1 – β1)u1 + ... + (αn –βn)un = 0
pero como H es linealmente independiente αi – βi = 0 ⇒ αi = βi , ∀ i = 1,..., n
luego la combinación lineal es única.
Propiedades
1. Todo vector no nulo de un espacio vectorial es un conjunto linealmente inde-
pendiente.
En efecto, si u ≠ 0, αu = 0 ⇒ α = 0 luego {u} es linealmente independiente.
2. El vector nulo es un conjunto linealmente dependiente.
Es evidente, pues α0 = 0 se verifica para todo α ≠ 0.
15
tema 12
matemáticas
∃ ∑α u
i =1
i i =0 (1)
con algún αj ≠ 0. Pero αk ≠ 0 pues si αk = 0, entonces {u1, u2, ..., uk–1} sería lineal-
mente dependiente en contra de lo supuesto. Como αk ≠ 0 existe αk–1 y multipli-
cando los dos miembros de la igualdad (1) por αk–1, podemos despejar uk como
combinación lineal de los restantes ui.
⇐) El recíproco es evidente por definición de conjunto linealmente dependiente.
Definición
Un conjunto G de vectores de un espacio vectorial V, se dice sistema de gene-
radores de V cuando cualquier vector de V se puede expresa como combinación
lineal de los vectores de G.
16
tema 12
matemáticas
XX Teorema
u = ∑ α i ui + α j u j = ∑ α i ui + ∑ α j βi ui = ∑ (α i + α j βi )ui
n n n n
i≠ j i≠ j i≠ j i≠ j
Definición
Dado un conjunto B = {u1, u2, ..., un} de vectores de V, diremos que B es una base
del espacio vectorial V si y sólo si B es un conjunto linealmente independiente y
sistema de generadores de V.
Es decir,
B ⊂ V base de V ⇔ B es linealmente independiente y B sistema de generadores de V.
Definición
Un espacio vectorial se llama finito cuando posee un sistema finito de generado-
res.
Ejemplos:
1) En el espacio vectorial [x], el sistema {1, x, x2, …} forma una base infinita
numerable.
2) En el espacio vectorial n[x], los polinomios {1, x, x2, …, xn} forman una
base.
3) En el espacio vectorial Kn, los vectores {(1,0,…0),…,(0,…,0,1)} forman una
base, llamada la base canónica.
Nota: Igual que en todo lo anterior, seguiremos tratando espacios vectoriales finitos.
17
tema 12
matemáticas
XX Teorema
Si B = {u1, u2, ..., un} es una base de V y H = {v1, v2, ..., vm} es un conjunto li-
nealmente independiente, pero no sistema de generadores de V, existen vectores
vm+1, vm+2, ..., vm+p tales que el conjunto {v1, v2, ..., vm, vm+1, vm+2, ..., vm+p} es una base
de V.
Demostración
Supongamos que B ∩ H = ∅ y consideremos el conjunto
A = H ∪ B = {v1, v2, ..., vm, u1, u2, ..., un}
A es un conjunto finito, que no contiene el vector nulo y linealmente dependien-
te, pues los vi son combinación lineal de los vectores de B, por ser B base, luego
algún vector es combinación lineal de los precedentes. Tal vector es de B, pues
H es linealmente independiente. Pero como A es sistema de generadores lineal-
mente dependiente de V y ui es combinación lineal de los precedentes resulta que
Ai = A – {ui} es también sistema de generadores de V.
Si Ai es linealmente independiente el teorema queda demostrado, en caso contra-
rio, se repite el proceso y a lo sumo al cabo de n – 1 pasos se obtiene un sistema
de generadores linealmente independiente, o sea, una base de V.
18
tema 12
matemáticas
XX Teorema
Todas las bases de un espacio vectorial finito V son coordinables, es decir, tienen
el mismo número de elementos.
Demostración
Sea (V, + , . K) un espacio vectorial y B = {u1, u2, ..., un} y B’ = {v1, v2, ..., vm} dos
bases de V.
Consideremos el conjunto A = {vm, u1, ..., un}. Este conjunto es sistema de genera-
dores de V, por ser B base, y linealmente dependiente, ya que vm es combinación
lineal de los vectores de B. Por tanto, algún ui es combinación lineal de los prece-
dentes, luego, A – {ui} es sistema de generadores de V.
Sea A1 = {vm–1, vm, u1, ..., ui–1, ui+1, ..., un}. Este conjunto también es un sistema
de generadores linealmente dependiente, luego algún uj de A1 será combinación
lineal de los precedentes. Por tanto, A1 – {uj} es sistema de generadores de V.
Agregando a este nuevo conjunto el vector vm–2 se obtiene:
A2 = {vm–2, vm–1, vm, u1, ..., ui–1, ui+1, ..., uj–1, uj+1, ..., un}
que es sistema de generadores linealmente dependiente.
Repitiendo el proceso, afirmamos que no es posible que se agoten antes los uh que
los vk, ya que si así fuera los vk restantes serían combinación lineal de los conside-
rados. Por tanto, m ≤ n.
Análogamente, a partir de B = {un, v1, ..., vm} se prueba que n ≤ m, y de ambas
resulta n = m.
Definición
Al número común de elementos que tienen todas las bases de un espacio vectorial
se llama dimensión del espacio vectorial.
Si B = {u1, u2, ..., un} es una base del espacio vectorial V se escribe dim V = n.
Cuando el espacio vectorial V está formado únicamente por el vector nulo, dire-
mos que su dimensión es cero.
Cuando el número de vectores de una base de V es finito se dice que V es un espa-
cio vectorial de dimensión finita.
Proposición
Un conjunto de n vectores de un espacio vectorial de dimensión n es una base si y
sólo si son linealmente independientes o sistema de generadores.
Demostración
a) Si B = {u1, ..., un} es una base y dim V = n ⇒ B es linealmente independiente y
sistema de generadores.
Esto es evidente por la definición de base de un espacio vectorial.
19
tema 12
matemáticas
b)
1) Si dim V = n y B = {u1, ..., un} es linealmente independiente ⇒ B es base de V.
Veamos que, en efecto, B es sistema de generadores de V.
Si no fuera sistema de generadores por el teorema de extensión podría
completarse hasta formar una base de V, resultando dim V > n, que es
absurdo.
2) Si dim V = n y B = {u1, ..., un} es un sistema de generadores ⇒ B es
base de V.
En este caso debemos probar que B es linealmente independiente.
Si B fuese linealmente dependiente existiría un ui tal que B – {ui} es sistema
de generadores de V. Si este conjunto fuera linealmente independiente sería
una base de V, en caso contrario, se repite el procedimiento hasta encontrar
una base cuyo cardinal sería ≤ n, lo cual es absurdo.
Por tanto:
−− n vectores linealmente independientes de un espacio vectorial de dimensión
n forman una base del mismo.
−− Todo sistema de generadores de n vectores de un espacio vectorial de di-
mensión n forman una base del mismo.
−− Todo conjunto con más de n vectores de un espacio vectorial de dimensión
n es linealmente dependiente.
x+ y = x+ y
λ x = λx
20
tema 12
matemáticas
3.1. Homomorfismos
Definición 2
Sean E y F dos espacios vectoriales sobre un mismo cuerpo conmutativo K. Se
dice que una aplicación f de E en F es lineal (u homomorfismo entre espacios
vectoriales) cuando cumple las siguientes condiciones:
1. f(x + y) = f(x) + f(y), ∀x, y ∈ E
2. f(αx) = αf(x), ∀α ∈ K, ∀x ∈ E
Ejemplos:
1) La aplicación derivada D: n[x]→ n-1[x], es lineal. Lo mismo ocurre con la
aplicación integral I: n[x]→ n+1[x].
2) Si H es un subespacio vectorial de E, la aplicación
π :E →E
H
xx
XX Teorema 1
21
tema 12
matemáticas
XX Teorema 2
Para que una aplicación f entre dos espacios vectoriales E y F sobre un mismo
cuerpo conmutativo K sea lineal, es condición necesaria y suficiente que:
∀x, y ∈ E y ∀α, β∈ K ⇒ f(αx + βy) = f(αx) + f(βy)
Demostración
Es condición necesaria:
Si x, y ∈ E ⇒ αx, βy ∈ E
Como f es lineal ⇒ f(αx + βy) = f(αx) + f(βy) = αf(x) + βf(y) donde hemos aplica-
do sucesivamente la primera y segunda condición de linealidad.
Es condición suficiente:
Hemos de probar que si f (αx + βy) = αf(x) + βf(y) ⇒ es lineal. Veamos que veri-
fica la primera condición:
f(x + y) = f(1 · x + 1 · y) = 1 · f(x) + 1 · f(y) = f(x) + f(y)
Para la segunda basta con tomar α = 1, β = 0.
f(x) = f(1 · x + 0 · y) = 1 f(x) + 0 f(y) = f(x)
XX Teorema 3
XX Teorema 4
22
tema 12
matemáticas
XX Teorema 5
Así todo elemento de f(E) es combinación lineal de los (xi)i∈I , la familia (f(xi))i∈I
es un sistema generador de f(E).
Sin embargo, en general, la imagen de un sistema libre (independiente) por una
aplicación lineal no es un sistema libre. No obstante, se tiene un resultado intere-
sante.
XX Teorema 6
23
tema 12
matemáticas
Si tuviéramos ∑α i f ( xi ) = 0 con (αi)i∈I ⊂ K, se tendría f ∑ α i xi = 0
i∈I i∈I
Pero f es inyectiva ⇒ dos elementos distintos de E no pueden tener la misma ima-
gen. Como al vector nulo de E le corresponde el vector nulo de:
∑α x
i∈I
i i =0
XX Teorema 7
Sean E y F dos espacios vectoriales sobre el cuerpo conmutativo K y f una apli-
cación lineal de E en F. Si (xi)i∈f es una familia de elementos de E cuya imagen
(f(xi))i∈I es un sistema libre de elementos de F, la familia (xi)i∈I es también un sis-
tema libre.
Demostración
Consideremos la familia (xi)i∈I de elementos de E tal que su imagen (f(xi))i∈I sea un
sistema libre de elementos de F.
Si se tiene ∑α x i i = 0 con (αi)i∈I ∈ K, entonces f ∑ α i xi = ∑ α i f ( xi ) =0
i∈I i∈I i∈I
y como el sistema (f(xi))i∈I es libre: ∀i ∈ I, αi = 0.
Corolario 1
Sean E y F dos espacios vectoriales sobre el mismo cuerpo conmutativo K y f una
aplicación lineal de E en F. Si (xi)i∈I es un sistema ligado en E, entonces (f(xi))i∈I
es un sistema ligado de F.
Evidentemente, el corolario resulta consecuencia inmediata del teorema anterior.
Definición 3
Sean E y F dos espacios vectoriales sobre un mismo cuerpo conmutativo K, y f,
una aplicación lineal de E en F.
a) Se dice que f es un monomorfismo, si f es inyectiva.
b) Se dice que f es un epimorfismo, si f es suprayectiva.
c) Se dice que f es un isomorfismo, si f es biyectiva.
d) Decimos que f es un endomorfismo, si E = F.
e) Decimos que f es un automorfismo, si E = E y f es biyectiva. El siguiente ca-
pítulo analiza en detalle los llamados isomorfismos.
24
tema 12
matemáticas
4 Teorema de isomorfía
4.1. Isomorfismos
XX Teorema 1
XX Teorema 2
25
tema 12
matemáticas
Definición 1
Sean E y F dos espacios vectoriales sobre el cuerpo conmutativo K y f una apli-
cación lineal de E en F. Llamaremos núcleo de la aplicación lineal f, simbolizado
por Ker(f), al conjunto de vectores de E que se aplican en el vector nulo de F.
Ker(f) = {x ∈ E / f(x) = 0 ∈ F} = f–1 (0)
Definición 2
Sean E y F dos espacios vectoriales sobre el cuerpo conmutativo K y f una apli-
cación lineal de E en F. Denominaremos imagen de la aplicación lineal f, que
simbolizaremos por lm(f), al conjunto de elementos de F para los cuales se puede
encontrar por lo menos un elemento de E, tal que su transformado por f sea el
elemento considerado de F.
lm(f) = {x’ ∈ F / ∃x ∈ E, f(x) = x’} = f(E)
XX Teorema 1
XX Teorema 2
26
tema 12
matemáticas
XX Teorema 3
27
tema 12
matemáticas
28
tema 12
matemáticas
Demostración
Veamos que si dim E = dim F = n, entonces E y F son isomorfos. Sean {u1, ...,
un} base de E y {v1, ..., vn} base de F. Por el teorema anterior podemos definir
f: E → F como el único homomorfismo tal que f(ui) = vi, i = 1, ..., n. Además, f es
isomorfismo, pues es inyectiva y suprayectiva al ser {v1, ..., vn} una base de F.
Probemos que si E y F son isomorfos ⇒ dim E = dim F.
Existirá, entonces, un isomorfismo f: E → F y, por el teorema 2 del apdo. 4.1, si
{u1, ..., un} es una base de E, {f(v1), ..., f(vn)} será base de F ⇒ dim E = dim F.
Corolario 2 (Primer teorema de isomorfía)
Sea f un homomorfismo entre E y F, espacios vectoriales de dimensión finita sobre
un mismo cuerpo conmutativo K. Entonces los espacios E / Ker (f) e lm(f) son
isomorfos.
Demostración
Si f: E → F es un homomorfismo se construye la siguiente aplicación:
f :E →F
Ker ( f )
x + Ker ( f ) f ( x)
1. f está bien definida ⇔ [x = y ⇒ f (x ) = f (y )]
x = y ⇒ x – y ∈ Ker (f) ⇒ f(x – y) = 0 ⇒ f(x) = f(y) ⇒ f(x) = f(y)
2. f es homomorfismo ya que f lo es.
3. f es inyectiva:
f (x ) = f (y ) ⇒ f(x) = f(y) ⇒ f(x – y) = 0 ⇒ x – y ∈ Ker (f) ⇒ x = y
4. f es suprayectiva:
y ∈ Im ( f ) ⇒ ∃ x ∈ E / y = f ( x ) ⇒ ∃ x ∈ E / Ker ( f ) / f ( x ) = f ( x) = y
Por consiguiente, f es isomorfismo.
Además tenemos que si los espacios son isomorfos dim(E / Ker(f)) = dim Im(f).
Pero por otra parte dim E = dim Ker(f) + dim Im(f) por el teorema 3. De estas dos
igualdades obtenemos que dim(E / Ker(f)) = dim E – dim Ker(f).
Corolario 3 (Segundo teorema de isomorfía)
Sea E un espacio vectorial sobre un cuerpo conmutativo K y sean E1 y E2 subespa-
cios de E. Entonces los espacios E1 + E2 / E1 y E2 / E1 ∩ E2 son isomorfos. Además,
si E1 y E2 son de dimensión finita, se tiene:
dim (E1 + E2) = dimE1 + dimE2 – dim(E1 ∩ E2)
29
tema 12
matemáticas
Demostración
Sea:
π :E → E
E1
el homomorfismo proyección que, si lo restringimos a E2 ,obtenemos otro homo-
morfismo:
p = π E2 : E2 → E
E1
xx
Si probamos que:
E1 + E2 y Ker ( p ) = E1 ∩ E2
Im( p ) =
E1
entonces por el primer teorema de isomorfía E1 + E2 / E1 será isomorfo a
E2 / E1 ∩ E2.
Demostremos en primer lugar que Im (p) = E1 + E2 / E1:
x ∈ Im (p) ⇒ x = p(y) = y , y ∈ E2 ⇒ x – y = z ∈ E1 ⇒
⇒ x = y + z, y ∈ E2, z ∈ E1 ⇒ x ∈ E1 + E2 ⇒ x ∈ E1 + E2 / E1
Es inmediato, a su vez, comprobar que Ker (p) = E1 ∩ E2:
x ∈ E2
x ∈ Ker ( p ) ⇔ ⇔ x ∈ E1 ∩ E2
p ( x) = x = 0 ⇔ x ∈ E1
ϕ:E →E
E1 E2
x + E1 x + E2
30
tema 12
matemáticas
3. Hallemos su núcleo:
ker(ϕ ) = { x + E1 | x + E2 = 0 + E2 } = { x + E1 | x ∈ E2 } =
E2
E1
31
tema 12
matemáticas
BIBLIOGRAFÍA
BIRKHUFF, G., y MAC LANE, S.: Álgebra moderna. Ed. Vicens-Vives. Barcelona, 1985.
BURGOS DE, J.: Curso de Álgebra y geometría. Pearson Educación. Madrid, 1992.
GARCÍA, J., y LÓPEZ, M.: Álgebra lineal y geometría: teoría y práctica. Ed. Marfil. Alcoy, 1992.
GODEMENT, R.: Álgebra. Ed. Tecnos. Madrid, 1983.
32
tema 12
matemáticas
RESUMEN
Espacios vectoriales.
Variedades lineales.
Aplicaciones entre espacios vectoriales.
Teorema de isomorfía.
1.
1 Espacios vectoriales
2.
2 Variedades lineales
33
tema 12
matemáticas
3.
3 Aplicaciones entre espacios vectoriales
Sean E y F dos espacios vectoriales sobre un mismo cuerpo conmutativo K. Se define la
aplicación f de E en F (y se denota f: E → F) como una correspondencia entre elementos de
E y F tal que ∀x ∈ E, ∃ x’ ∈ F único con f(x) = x’.
3.1. Homomorfismos
Se dice que una aplicación f de E en F es lineal (u homomorfismo entre espacios vectoriales)
cuando cumple las siguientes condiciones:
1. f(x + y) = f(x) + f(y), ∀x, y ∈ E
2. f(αx) = αf(x), ∀α ∈ K, ∀x ∈ E
34
tema 12
matemáticas
4.
4 Teorema de isomorfía
4.1. Isomorfismos
Sean E y F dos espacios vectoriales sobre un mismo cuerpo conmutativo K. Si f es un
isomorfismo de E en F entonces f–1 es un isomorfismo de F en E.
Sean E y F dos espacios vectoriales sobre un cuerpo conmutativo K y f una aplicación
lineal de E en F. Las tres proposiciones siguientes son equivalentes:
−− f es isomorfismo.
−− La imagen por f de cualquier base de E es una base de F.
−− Existe una base de E cuya imagen por f es una base de F.
35