tema

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

1.2. Propiedades elementales de los espacios vectoriales

1.3. Concepto de subespacio vectorial

2. Variedades lineales
2.1. Combinaciones lineales

2.2. Dependencia e independencia lineal

2.3. Sistema de generadores

2.4. Base de un espacio vectorial

2.5. Espacio vectorial cociente

3. Aplicaciones entre espacios vectoriales

3.1. Homomorfismos

4. Teorema de isomorfía
4.1. Isomorfismos

4.2. Núcleo e imagen de una aplicación lineal

4.3. Teoremas de isomorfía

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

1.1. Concepto de espacio vectorial

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).

1.2. Propiedades elementales de los espacios vectoriales

1. En V se cumple la propiedad de simplificación.

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

5. El opuesto de un escalar por un vector es igual al opuesto de su producto.

(–α)u = –(αu)    ∀ α ∈ K    ∀u ∈ V
Demostración
Sabemos que –(αu) + αu = 0 pero 0 = 0u = (–α + α)u = (–α)u + αu, luego,
–(αu) + αu = (–α)u + αu, y aplicando la propiedad simplificativa –(αu) = (–α)u
En particular se verifica que (–1)u = –(1u) = –u
6. ∀ α, β ∈ K, ∀(u ≠ 0) ∈ V se verifica: αu = βu ⇒ α = β
Demostración
Sumando –βu a los dos miembros de la igualdad:
αu – βu = βu – βu = 0
y como αu – βu = (α – β)u (por propiedad distributiva con respecto
a los escalares) se tiene (α – β)u = 0 con u ≠ 0, luego (por propiedad 4):
α – β = 0 ⇒ α = β.
7. ∀( α ≠ 0) ∈ K, ∀u, v ∈ V se cumple αu = αv ⇒ u = v
Demostración
Sumando –αv a los dos miembros de la igualdad:
αu – αv = αv – αv = 0
pero como αu – αv = α(u – v), entonces α(u – v) = 0 con α ≠ 0 luego:
u–v=0⇒u=v
Otras propiedades de interés son:
8. Unicidad del elemento neutro de V, es decir, ∃! 0 ∈ V, 0 elemento neutro de V.
9. Unicidad del elemento opuesto de V, es decir, ∀u ∈ V ∃!u’ ∈ V tal que u’ es
elemento opuesto de u (u’ = –u).

1.3. Concepto de subespacio vectorial

Sea V un K-espacio vectorial y S ⊂ V un conjunto no vacío. Diremos que S es un

subespacio vectorial de V si satisface
1. (S, +) es un subgrupo de (V, +)
2. ∀ α ∈ K y ∀u ∈ S ⇒ αu ∈ S
Es claro que (S, +, ·K) es un K-espacio vectorial con la suma de V y el producto por
escalares restringido a S.
Todo K-espacio vectorial V admite dos subespacios que llamaremos triviales, el
{0} y el propio V.

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

La intersección de toda familia de subespacios de V es un subespacio de V.

Demostración
a) i∩
∈I
Si ≠ ∅ pues 0 ∈ Si, ∀i ∈ I ⇒ 0 ∈ i∩
∈I
Si
b) i∩
∈I
Si ⊂ V pues Si ⊂ V, ∀i ∈ I
c) ∀u, v ∈ i∩
∈I
Si   u + v ∈ i∩ S
∈I i

En efecto, ∀u, v ∈ i∩ S ⇒ u ∈ Si y v ∈ Si, ∀i ∈ I ⇒ u + v ∈ Si, ∀i ∈ I (por ser

∈I i
Si subespacio vectorial) ⇒ u + v ∈ i∩
∈I
Si.
d) ∀ α ∈ K, ∀u ∈ i∩ S
∈I i
αu ∈ i∩ S
∈I i

En efecto, ∀ α ∈ K, ∀ u ∈ i∩ ∈I Si ⇒ α ∈ K y u ∈ Si, ∀i ∈ I ⇒ αu ∈ Si, ∀i ∈ I

(por ser Si subespacio vectorial) ⇒ αu ∈ ∩ Si
i∈I

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

En general, la unión de subespacios de V no es un subespacio de V.

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

La suma de dos subespacios S1 y S2 de V es un subespacio de V.

Demostración
a) Es evidente que S1 + S2 ≠ ∅ pues 0 ∈ S1 y 0 ∈ S2 luego
0 = 0 + 0 ∈ S1 + S2 ⇒ S1 + S2 ≠ ∅
b) S1 + S2 ⊂ V pues basta considerar la definición de S1 + S2.
c) ∀u, v ∈ S1 + S2, u + v ∈ S1 + S2
En efecto, si:
u ∈ S1 + S2  u = u1 + u2, u1 ∈ S1, u2 ∈ S2 y,
v ∈ S1 + S2  v = v1 + v2, v1 ∈ S1, v2 ∈ S2 entonces:
u + v = (u1 + u2) + (v1 + v2) = (u1 + v1) + (u2 + v2)
pero u1 + v1 ∈ S1 y u2 + v2 ∈ S2 luego u + v ∈ S1 + S2
d) ∀ α ∈ K, ∀u ∈ S1 + S2, αu ∈ S1 + S2.
En efecto, u ∈ S1 + S2 ⇒ u = u1 + u2 con u1 ∈ S1 y u2 ∈ S2
αu = α(u1 + u2) = αu1 + αu2
pero αu1 ∈ S1 y αu2 ∈ S2 (por ser S1 y S2 subespacios vectoriales), luego:
αu ∈ S1 + S2
Igual que hemos hecho en la unión e intersección de subespacios podemos gene-
ralizar la suma de subespacios como sigue.
Definición
Llamaremos suma de los subespacios S1, S2 , ..., Sn de (V, +, ·K) al conjunto
n
 n

∑
i =1
S i = 

u ∈ V | u = ∑
i =1
ui , ui ∈ Si ∀i = 1, , n 

n
Se demuestra que ∑S
i =1
i es un subespacio de V.

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

2.1. Combinaciones 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

Al conjunto de vectores H se le llama también familia o sistema de vectores de V.

Consecuencias
1. El vector nulo es combinación lineal de cualquier sistema de vectores, pues
basta tomar todos los escalares αi = 0.
2. Un vector cualquiera es combinación lineal de sí mismo, pues u = 1 · u. Por
tanto, un vector cualquiera de un sistema de vectores es combinación lineal de
ese sistema, pues:
ui = 0 · u1 + 0 · u2 + ... + 1 · ui + ... + 0 · un
3. Si un vector w es combinación lineal de un conjunto de vectores {v1, v2, ..., vn}
y cada uno de los vi, i = 1, 2, ..., n es combinación lineal del conjunto
{u1, u2, ..., um}, entonces w es combinación lineal de los uj, j = 1, 2, ..., m.
Demostración
n m
En efecto, si w = ∑ α i vi y vi = ∑β u
j =1
ij j , luego:
i =1

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

El conjunto L(H) de todas las combinaciones lineales de una familia de vectores

H = {u1, u2, ..., un} de V, es un subespacio de V.
Demostración
a) Es evidente que L(H) ≠ ∅ pues ∅ ≠ H ⊂ L(H) ya que:
ui = 0 · u1 + 0 · u2 + ... + 1 · ui + ... + 0 · un
b) L(H) ⊂ V.
n
En efecto, ∀u ∈ L(H) ∃ α1, α2 ..., αn ∈ K  u = ∑ α u ∈ V pues u ∈ H ⊂ V
i =1
i i i

13
tema 12

matemáticas

c) ∀u, v ∈ L(H), u + v ∈ L(H)

n n n
En efecto, si u = ∑ α iui y v =
i =1
∑ βiui entonces u + v = ∑ (α i + βi ) ui ∈ L(H)
i =1 i =1
d) ∀ α ∈ K, ∀u ∈ L(H), αu ∈ L(H).
n

∑
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)

Al conjunto L(H) se le llama variedad lineal o subespacio engendrado

por el conjunto H = {u1, u2, ..., un}

2.2. Dependencia e independencia lineal

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

3. Todo conjunto de vectores H que contiene el vector nulo es linealmente depen-

diente.
En efecto, supongamos que ui = 0, entonces
0u1, + 0u2 + ... + αi0 + ... + 0un = 0 con αi ≠ 0. Luego H es linealmente depen-
diente.
4. Si H es un sistema de vectores libres, todo subconjunto S ⊂ H es también un
sistema libre.
Sea S = {u1, ..., un} y H = {u1, ..., un, un+1, ..., um}
Supongamos que S no sea libre, entonces ∃ α1, ..., αn ∈ K no todos nulos tales
que α1u1 + ... + αnun = 0 y tomando los escalares α1, ..., αn, αn+1, ..., αm ∈ K con
αn+1, ..., αm = 0 se verifica α1u1 + ... + αnun + αn+1un+1 + ... + αmun = 0 con algún
αi ≠ 0 luego H no es libre, en contra de la hipótesis, luego S tiene que ser libre.
5. Si dado un sistema de vectores H = {u1,..., um} sabemos que un subconjunto
S ⊂ H es ligado, entonces H también es ligado.
La propiedad 5 es simplemente el contrarrecíproco de la propiedad 4.
6. Un conjunto finito y ordenado de vectores que no contiene el vector nulo es
linealmente dependiente si y sólo si algún vector es combinación lineal de los
precedentes.
Demostración
⇒) Sea H = {u1, u2, ..., un} es linealmente dependiente, 0 ∉ H. Sea k el primer
entero positivo tal que {u1, u2, ..., uk} es linealmente dependiente. Por la propiedad
1, k ≥ 1. Además: k

∃ ∑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. 

2.3. Sistema de generadores

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

Si un conjunto G = {u1, u2,..., un} es un sistema de generadores linealmente de-

pendiente de un espacio vectorial V, entonces existe un vector uj ∈ G tal que
G – {uj} es también un sistema de generadores de V.
Demostración
n
Como G es sistema de generadores de V, ∀u ∈ V, u = ∑ α u . Por ser G lineal-
i =1
i i

mente dependiente algún vector de G es combinación lineal del resto, suponga-

n
mos que uj es ese vector, uj = ∑β u
i≠ j
i i por tanto:

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

luego G – {uj} es sistema de generadores de V.

2.4. Base de un espacio vectorial

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

Todo espacio vectorial finito posee una base.

Demostración
Sea V un espacio vectorial finito y H = {u1, ..., un} un sistema de generadores de
V con ui ≠ 0 ∀i = 1, ..., n.
Si u1, ..., un son linealmente independientes, H es una base de V y el teorema queda
demostrado.
En caso contrario, α1u1 + ... + αn un = 0 con no todos los αi nulos. Supongamos que
αn ≠ 0. Multiplicando la igualdad anterior por αn–1.
αn–1 α1 u1 + αn–1 α2 u2 + ... + αn–1 αn–1 un–1 + αn–1 αn un = 0 ⇒
⇒ un = –αn–1 α1 u1 – αn–1 α2 u2 – ... – αn–1 αn–1 un–1
Pero ∀u ∈ V se verifica: u = β1 u1 + β2 u2 + ... + βn un y sustituyendo
u = β1 u1 + β2 u2 + ... + βn (–α n–1 α 1 u1 – ... – α n–1 α n–1 un–1) =
= (β1 – βnα 2 α n–1 )u1 + ... + (βn–1 – βnαn–1 αn–1) un–1
luego Hl = {u1, ..., un–1} es también sistema de generadores de V.
Supongamos demostrado que Hi = {u1, ..., un–i} es sistema de generadores de V.
Si fuese base ya estaría probado el teorema, sino, procediendo del mismo modo,
obtendríamos un sistema de generadores con un vector menos. Por consiguiente,
repitiendo el razonamiento a lo sumo n – 1 veces obtendríamos una base.

XX Teorema de extensión a una base

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.

2.5. Espacio vectorial cociente

Sea E un espacio vectorial y F un subespacio vectorial de E. Definimos la siguien-

te relación binaria sobre E: Dados los vectores x, y ∈ E diremos que está relacio-
nado módulo F si x – y ∈ F.
Se demuestra que es una relación de equivalencia. La clase de un vector x la deno-

taremos por x = {x + u, u ∈ F} = x + F.
Denotamos al conjunto formado por las clases de equivalencia como E / F.
Definimos ahora una suma y un producto por escalares de manera que con estas
operaciones E / F sea un espacio vectorial sobre E:

x+ y = x+ y
λ x = λx

Se comprueba fácilmente que esta definición no depende del representante elegido,

y también es inmediato entonces comprobar los axiomas de espacio vectorial.
El espacio vectorial E / F así construido recibe el nombre de espacio vectorial
cociente.

20
 tema 12

matemáticas

3 Aplicaciones entre espacios vectoriales

Definición 1
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

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
xx

es lineal, y recibe el nombre de proyección canónica.

XX Teorema 1

Sea f una aplicación lineal de E en F (espacios vectoriales sobre un mismo cuerpo

conmutativo K). Se verifica:
a) La imagen del vector nulo de E es el vector nulo de F.
b) ∀x ∈ E ⇒ f(–x) = –f (x).
c) ∀x, y ∈ E ⇒ f(x – y) = f(x) – f(y).
Demostración
a) ∀x ∈ E, f(x) = f(0 + x) = f(0) + f(x) ⇒ f(0) = 0.
b) ∀x ∈ E, f(0) = f(x + (–x)) = f(x) + f(–x) = 0 ⇒ f(–x) = –f(x).
c) ∀x, y ∈ E, f(x – y) = f(x + (–y)) = f(x) + f(–y) = f(x) – f(y).

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

La composición de dos aplicaciones lineales es otra aplicación lineal.

Demostración
Sean E, F, G tres espacios vectoriales sobre un mismo cuerpo conmutativo K, y
sean f y h dos aplicaciones lineales definidas de E en F y de F en F, respectiva-
mente. Vamos a probar que k = h ° f es una aplicación lineal:
k(x + y) = h[f(x + y)] = h[f(x) + f(y)] = h[f(x)] + h[f(y)] = k(x) + k(y)
k (αx) = h[f(αx)] = h[αf(x)] = αh[f(x)] = αk(x)

XX Teorema 4

Sean E y F dos espacios vectoriales sobre un cuerpo conmutativo K y f una apli-

cación lineal de E en F.
a) La imagen por f de un subespacio vectorial de E es un subespacio vectorial de F.
b) La imagen recíproca por f de un subespacio vectorial de F es un subespacio
vectorial de E.
Demostración
a) Sea E’ un subespacio vectorial de E, veamos que f(E’) es un subespacio vecto-
rial de F
Si x’, y’ ∈ f(E’) existen dos elementos x, y de E’ tales que x’ = f(x), y’ = f(y).
Entonces, x’ + y’ = f(x) + f(y) = f(x + y).

22
 tema 12

matemáticas

Pero, x + y ∈ E’ ⇒ f(x + y) ∈ f(E’) ⇒ x’ + y’ ∈ f(E’)

Para la segunda condición de la definición de subespacio se procede análoga-
mente:
Si α ∈ K, se tiene αx’ = αf(x) = f(αx)
Como αx ∈ E’, f(αx) ∈ f(E’) ⇒ αx’ ∈ f(E’)
Por lo tanto, f(E’) es un subespacio vectorial de F.
b) Sea F’ un subespacio vectorial de F, probaremos que f–1(F’) es un subespacio
vectorial de E.
Si x, y ∈ f–1(F’) ⇒ f(x), f(y) ∈ F’ ⇒ f(x) + f(y) = f(x + y) ∈ F’ ⇒
⇒ x + y ∈ f–1(F’).
Para la segunda condición, si α ∈ K, como f(x) ∈ F’ ⇒ αf(x) = f(αx) ∈ F’ ⇒
⇒ αx ∈ f–1(F’) y,
en consecuencia, f–1(F’) es un subespacio vectorial de E.

XX Teorema 5

Sean E y F dos espacios vectoriales sobre el cuerpo conmutativo K. Si (xi)i∈I es un

sistema generador de E y f una aplicación lineal de E en F, entonces (f(xi))i∈I es un
sistema generador del subespacio vectorial f(E) de F.
Demostración
Sea y ∈ f(E) ⇒ ∃x ∈ E / f(x) = y. Como (xi)i∈I es un sistema generador de E pode-
∑
mos expresar x = α i xi para cierta familia finita de escalares (αi)i∈I. Luego:
i∈I
 
y = f ( x) = f  ∑ α i xi  = ∑ f (α i xi ) = ∑ α i f ( xi )
 i∈I  i∈I i∈I

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

Sean E y F dos espacios vectoriales sobre K, cuerpo conmutativo, y f una aplica-

ción lineal de E en F.
f es inyectiva ⇔ la imagen por f de todo sistema libre de elementos de E es un
sistema libre de elementos de F.
Demostración
Para la implicación directa (⇒):
Supongamos f inyectiva consideremos un sistema libre (xi)i∈I de elementos de E.

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

Como (xi)i∈I es un sistema libre ⇒ ∀i ∈ I, αi = 0, lo que prueba que (f(xi))i∈I, es un

sistema libre de F.
Para la otra implicación, supongamos f no es inyectiva, entonces:
∃x ∈ E, x ≠ 0 | f(x) = 0.
Consideremos entonces el sistema (xi)i∈{1} tal que x1 = x; es libre porque
x1 ≠ 0, pero su imagen (f(xi))i∈{1} no es un sistema libre porque f(x1) = 0, y, por
consiguiente, hemos llegado a una contradicción.

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

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.
Demostración
∀x’, y’ ∈ F, ∃x, y ∈ E únicos | f(x) = x’ y f(y) = y’.
Bastará probar que f–1 es también lineal:
Si f(x) = x’ y f(y) = y’ entonces x = f–1(x’), y = f–1(y’). Además, f(x + y) = x’ + y’,
de donde:
∀x’, y’ ∈ F, f–1(x’ + y’) = x + y = f–1(x’) + f–1(y’)
También es cierto que f(αx) = αf(x) = αx’, ∀α ∈ K, ∀x’ ∈ F por ser f lineal, luego
f–1(αx’) = αx = αf–1(x’) con lo que queda probado que f–1 es lineal y, por consi-
guiente, un isomorfismo de F en E.

XX Teorema 2

Sean E y F dos espacios vectoriales sobre un cuerpo conmutativo K y f una aplica-

ción lineal de E en F. Las tres proposiciones siguientes son equivalentes:
a) f es isomorfismo.
b) La imagen por f de cualquier base de E es una base de F.
c) Existe una base de E cuya imagen por f es una base de F.
Demostración
a) ⇒ b)
Sea B una base de E. Como f es suprayectiva, f(B) es un sistema generador de F.
Si f es inyectiva, f(B), por el teorema 6 del apdo. 3.1, es un sistema libre de F.
Por consiguiente, f(B) es una base de F.
b) ⇒ c)
Es evidente, pues E por lo menos tiene una base.
c) ⇒ a)
Existe, por hipótesis, una base (ui)i∈I de E tal que (f(ui))i∈I es una base de F.
Entonces, la aplicación lineal h de F en E tal que:
∀i ∈ I, h(f(ui)) = ui
verifica: h  f = fE y f  h = fF lo que prueba que f es un isomorfismo.

25
tema 12

matemáticas

4.2. Núcleo e imagen de una aplicación lineal

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

Sean E y F dos espacios vectoriales sobre el cuerpo conmutativo K y sea f una

aplicación lineal de E en F. Entonces:
a) Ker(f) es un subespacio vectorial de E.
b) Im(f) es un subespacio vectorial de F.
Demostración
Se sigue del teorema 4 del apartado 3.1.

XX Teorema 2

Sean E y F dos espacios vectoriales sobre un mismo cuerpo conmutativo K y

sea f una aplicación lineal de E en F. Entonces: f es inyectiva o monomorfismo
⇔ Ker(f) = {0}
Demostración
Veamos que si f es inyectiva ⇒ Ker(f) = {0}
Si x ∈ Ker(f) ⇒ f(x) = 0 ⇒ f(x) = f(0). Como f es inyectiva se tiene x = 0; y, por
tanto, Ker(f) = {0}.
Recíprocamente, sea Ker(f) = {0}. Entonces, sean x, y ∈ E tal que f(x) = f(y)
f(x) = f(y) ⇒ f(x) – f(y) ⇒ 0 ⇒ f(x – y) = 0 ⇒ x – y ∈ Ker(f) ⇒ x – y = 0 ⇒
⇒ x = y ⇒ f es inyectiva.
De manera inmediata, utilizando la definición de aplicación suprayectiva, demos-
traríamos que: f epimorfismo ⇔ Im(f) = f(E).

26
 tema 12

matemáticas

XX Teorema 3

Sean E y F dos espacios vectoriales sobre un mismo cuerpo conmutativo K y sea f

una aplicación lineal de E en F. Si Ker(f) y Im(f) son de dimensión finita, entonces
E es de dimensión finita y además:
dim E = dim Ker (f) + dim Im(f)
Demostración
Si Ker (f) es de dimensión finita ⇒ ∃{u1, u2, ..., up} base de Ker (f).
Si lm(f) es de dimensión finita ⇒ ∃{v1, v2, ..., vq} base de Im(f).
Como vj ∈ Im(f) ⇒ ∃ up+j ∈ E / f(up+j) = vj; j = 1, ..., q
Vamos a probar que {u1, u2,..., up, up+1, up+2,..., up+q} es una base de E, con lo que
quedaría totalmente demostrado el teorema.
1. Es un sistema de generadores:
x ∈ E ⇒ f(x) ∈ Im(f) ⇒ f(x) = α1v1 + ... + αqvq =
= α1 f(up+1) + ... + αp f(up+q) = f(α1up+1+ ... + αqup+q).
Por tanto,
f(x) – f(α1up+1 + ... + αqup+q) = 0 ⇒ f(x – α1up+1 – ... – αqup+q) = 0 ⇒
⇒ x – α1up+1 – ... – αqup+q ∈ Ker (f) ⇒ x – α1up+1 – ... – αqup+q =
= β1u1 + ... + βpup ⇒ x = β1u1 + ... + βpu p + α1up+1 + ... + αqup+q
Luego, x es combinación lineal de u1, ..., up, up+1, ..., up+q ⇒
⇒ {u1, ...,up, up+1,..., up+q} es sistema de generadores de E.
2. Es un sistema linealmente independiente:
Supongamos α1u1 + α2u2 + ... + αpup + αp+1up+1 + ... + αp+qup+q = 0 (1)
⇒ f(α1u1 + α2u2 + ... + αpup + αp+1up+1 + ... + αp+qup+q) = 0 ⇒
⇒ α1f(u1) + α2f(u2) + ... + αp f(up) + αp+1 f(up+1) + ... + αp+q f(up+q) = 0
Como {u1, ..., up} son vectores del núcleo ⇒ f(u1) = ... = f(up) = 0 quedando:
αp+1 f(up+1) + ... + αp+q f(up+q) = αp+1v1 + ... + αp+qvq = 0
Como {v1, ..., vq} son base de Im (E) ⇒ αp+1 = ... = αp+q = 0
Volviendo a (1) nos queda α1u1 + α2u2 + ... + αpup = 0, y como {u1, ..., uq} son
base ⇒ α1 = ... = αp = 0
Luego {u1, ..., up, up+1, ..., up+q} son linealmente independientes, con lo que se
prueba que constituyen una base de E.

27
tema 12

matemáticas

XX Teorema 4 (Teorema de existencia y unicidad de aplicaciones lineales)

Sea E y F dos espacios vectoriales sobre un cuerpo conmutativo K. Sea E de di-

mensión finita y sea {u1, ..., up} una base de E. Sean v1, ..., vp elementos de F no
necesariamente distintos. Entonces existe un único homomorfismo f:E → F tal
que f(ui) = vi, i = 1, ..., p.
La condición necesaria y suficiente para que f sea inyectiva (respectivamente su-
prayectiva) es que v1, ..., vp sean linealmente independientes (respectivamente sis-
tema de generadores de F).
Demostración
Existencia de f:
Sea x ∈ E ⇒ x = α1u1 + ... + αpup / αi ∈ K, i = 1, ..., p.
Definimos f(x) = α1v1 + ... + αpvp.
Es inmediato probar que f es un homomorfismo, es decir:
f (α x + β y ) = α f ( x) + β f ( y ) ∀x, y ∈ E , ∀α , β ∈ K
Unicidad de f:
Sean f y f’ tal que f(ui) = f’(ui) = vi ∀i
Sea x ∈ E ⇒ x = α1u1 + ... + αpup / αi ∈ K, i = 1, ..., p. ⇒
⇒ f(x) = f(α1u1 + ... + αpup) = α1f(u1) +...+ αpf(up) = α1v1+ ... + αpvp =
= α1f’(u1) +... + αpf’(up) = f’(α1u1 + ... + αpap) = f’(x) ∀x ∈ E ⇒ f y f’
son iguales, con lo que tenemos demostrada la primera parte del teorema.
Veamos la segunda:
f inyectiva ⇔ [f(x) = 0 ⇒ x = 0] ⇔ [ α1v1+ ... + αpvp = 0 ⇒ αi = 0, i = 1, ..., p] ⇔
{v1, ..., vp} son linealmente independientes.
f suprayectiva ⇔ [∀y ∈ F , ∃x ∈ E / f(x) = y] ⇔ [∀y ∈ F, ∃ α1, ..., αp ∈ K tal que
α1v1+ ... + αpvp = y] ⇔ {v1, ..., vp} generan F.

4.3. Teoremas de isomorfía

Como corolarios a los anteriores teoremas demostramos cuatro en este apartado.

Mención especial merecen los corolarios 2, 3 y 4 conocidos como el primer, se-
gundo y tercer teorema de isomorfía respectivamente.
Corolario 1
Dos espacios vectoriales E y F, sobre un mismo cuerpo conmutativo K, de dimen-
sión finita son isomorfos si y sólo si tienen la misma dimensión.

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
xx
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 

Veamos ahora la segunda parte del corolario:

Sean E1 y E2 de dimensión finita ⇒ E1 + E2 / E1 y E2 / E1 ∩ E2 son de dimensión
finita y además son isomorfos luego, por el corolario 1,
dim (E1 + E2 / E1) = dim(E2 / E1 ∩ E2).
De aquí se sigue: dim (E1 + E2) – dimE1 =  dimE2 – dim(E1 ∩ E2) ⇒ dim (E1 + E2)=
= dimE1 + dimE2 – dim(E1 ∩ E2).
Corolario 4 (Tercer teorema de isomorfía)
Sea E un espacio vectorial sobre un cuerpo conmutativo K y sean E1 y E2 subespa-
cios de E con E1 ⊂ E2. Entonces los espacios E /E2 y (E /E1)/(E2 /E1) son isomorfos.
Demostración
Consideremos la siguiente aplicación:

ϕ:E →E
E1 E2
x + E1  x + E2

1. ϕ está bien definida pues si x + E1 = y + E1 ⇒ x – y ∈ E1 ⊂ E2 ⇒ x + E2 = y + E2

2. Es epimorfismo como se sigue fácilmente.

30
 tema 12

matemáticas

3. Hallemos su núcleo:

ker(ϕ ) = { x + E1 | x + E2 = 0 + E2 } = { x + E1 | x ∈ E2 } =
E2
E1

Por consiguiente, por el primer teorema de isomorfía la demostración queda com-

pletada.
Corolario 5
Sean E y F dos espacios vectoriales sobre el cuerpo conmutativo K, y ambos de
igual dimensión finita. Sea f un homomorfismo de E en F. Las condiciones si-
guientes son equivalentes:
a) f es inyectiva.
b) f es suprayectiva.
c) f es biyectiva.
Demostración
Sabemos que dim F = dim E = dim Ker (f) + dim Im (f). Así:
f es inyectiva ⇔ Ker (f) = {0}⇔ dim F = dim Im (f) ⇔ Im (f) = F ⇔ f es supra-
yectiva.

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

1.1. Concepto de espacio vectorial

En este apartado se definen los conceptos de espacio vectorial, subespacio vectorial, ca-
racterización de subespacios, unión, intersección, suma y suma directa de subespacios.

1.2. Propiedades elementales de los espacios vectoriales

1. En V se cumple la propiedad de simplificación.
2. El producto del escalar cero por cualquier vector es el vector nulo.
3. El producto de cualquier escalar por el vector nulo es el vector nulo.
4. Si el producto de un escalar por un vector es el vector nulo, entonces el escalar es 0 o
el vector es nulo.
5. El opuesto de un escalar por un vector es igual al opuesto de su producto.
6. ∀ α, β ∈ K, ∀(u ≠ 0) ∈ V se verifica: αu = βu ⇒ α = β.
7. ∀( α ≠ 0) ∈ K, ∀u, v ∈ V se cumple αu = αv ⇒ u = v.

1.3. Concepto de subespacio vectorial

Sea V un K-espacio vectorial y S ⊂ V un conjunto no vacío. Diremos que S es un subespacio
vectorial de V si satisface
1. (S, +) es un subgrupo de (V, +)
2. ∀ α ∈ K y ∀u ∈ S ⇒ αu ∈ S

2.
2 Variedades lineales

2.1. Combinaciones lineales

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 i ∈ K

i =1
i i

El conjunto L(H) de todas las combinaciones lineales de una familia de vectores

H = {u1, u2, ..., un} de V, es un subespacio de V.
Al conjunto L ( H ) se le llama variedad lineal o subespacio engendrado por el conjunto
H = { u 1, u 2, ..., u n}

33
tema 12

matemáticas

2.2. Dependencia e independencia lineal

XX Dependencia lineal
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
Un conjunto de vectores H = {u1, u2, ..., un} de un espacio vectorial V se dice que es lineal-
mente dependiente, si al menos uno de ellos se puede expresar como combinación lineal del
resto.
XX Independencia lineal
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.

2.3. Sistema de generadores

Un conjunto G de vectores de un espacio vectorial V, se dice sistema de generadores
de V cuando cualquier vector de V se puede expresa como combinación lineal de
los vectores de G.

2.4. Base de un espacio vectorial

En este apartado, además del concepto de base de un espacio vectorial, se demuestra que
en todo espacio vectorial de tipo finito existe base y que todas las bases tienen el mismo
número de elementos, llamado dimensión.
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.

2.5. Espacio vectorial cociente

El espacio vectorial E / F recibe el nombre de espacio vectorial cociente.

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

−− La composición de dos aplicaciones lineales es otra aplicación lineal.

−− La imagen (y antimagen) de un subespacio vectorial es un subespacio vectorial.
−− La imagen de un sistema generador es un sistema generador del subespacio imagen.
−− La imagen de un sistema ligado es un sistema ligado.
−− Conceptos de monomorfismo, epimorfismo, isomorfismo y automorfismo.

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.

4.2. Núcleo e imagen de una aplicación lineal

Sean E y F dos espacios vectoriales sobre el cuerpo conmutativo K y f una aplicación 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)
Sean E y F dos espacios vectoriales sobre el cuerpo conmutativo K y f una aplicación 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)
Teorema de existencia y unicidad de aplicaciones lineales: toda aplicación lineal queda
completamente determinada a partir de su actuación sobre una base del dominio.

4.3. Teoremas de isomorfía

Como consecuencia de los teoremas vistos en los puntos anteriores, surgen tres corolarios
llamados Primer, Segundo y Tercer teorema de isomorfía, que establecen bajo qué condi-
ciones, dos espacios vectoriales son idénticos, salvo isomorfismo.

35