Álgebra Lineal

Departamento de E. I. Telecomunicación
Matemática Aplicada II Curso 2022-2023

TEMA 4. Espacios vectoriales y transformaciones lineales

1 Espacios vectoriales y subespacios

Definición. Consideremos K = R o K = C. Se llama espacio vectorial sobre K a un
conjunto V dotado de dos operaciones:

• Una operación interna (suma) tal que (V, +) sea un grupo conmutativo.

• Una operación externa (producto por escalares) que asigna a cada escalar λ ∈ K y a
cada elemento v ∈ V un nuevo elemento λv ∈ V con las siguientes propiedades:

1) λ(v + w) = λv + λw , ∀ λ ∈ K , ∀ v, w ∈ V .
2) (λ + µ)v = λv + µv , ∀ λ, µ ∈ K , ∀ v ∈ V .
3) (λµ)v = λ(µv) , ∀ λ, µ ∈ K , ∀ v ∈ V .
4) 1v = v , ∀ v ∈ V , donde 1 es el elemento neutro del producto en K.

A los elementos de V les llamaremos vectores y a los elementos de K les llamaremos

escalares. Generalmente denotaremos a estos últimos con letras del alfabeto griego. Al
elemento neutro de la suma en V lo denotaremos, salvo que pueda haber confusión, por
0 al igual que el cero de K. En caso de querer especificar que se trata de un vector,
escribiremos ~0.
Ejemplos.

(1) Los conjuntos Kn , Mp×n (K), con sus sumas y multiplicaciones por escalares usuales
son espacios vectoriales sobre K.

(2) El conjunto de polinomios en la variable x de grado menor o igual que n ∈ N y

coeficientes en K, dado por:
n
X
Πn (K) = {p(x) = ak xk / ak ∈ K, ∀ k ≤ n}
k=0

1
 es un K-espacio vectorial con las operaciones usuales de polinomios:
n
X n
X n
X
ak xk + bk xk = (ak + bk )xk
k=0 k=0 k=0
Xn Xn
λ ak xk = (λak )xk
k=0 k=0

Propiedades. Si V es un K-espacio vectorial, entonces se verifican las siguientes propiedades:

(1) λ~0 = ~0 , ∀ λ ∈ K donde ~0 denota el vector nulo de V .

(2) 0v = 0 , ∀ v ∈ V .

(3) λv = 0 ⇐⇒ λ = 0 o v = 0.
Definición. Sea V un espacio vectorial sobre un cuerpo K. Un subconjunto U de V es
un subespacio vectorial de V si verifica las siguientes propiedades:
(1) 0 ∈ U .

(2) u1 + u2 ∈ U , ∀ u1 , u2 ∈ U .

(3) λu ∈ U , ∀ λ ∈ K , ∀ u ∈ U .
Observación. Las propiedades (2) y (3) de la definición se pueden sustituir por:

λ1 u1 + λ2 u2 ∈ U , ∀ λ1 , λ2 ∈ K , ∀ u1 , u2 ∈ U.

Ejemplos.
(1) El conjunto Ker(A) de soluciones de un sistema homogéneo de ecuaciones lineales
con n incógnitas Ax = 0 es un subespacio vectorial de Kn ya que, obviamente, el
vector nulo pertenece a Ker(A) y habı́amos visto en el tema anterior que se cumple
la propiedad de la observación.

(2) Ninguno de los siguientes conjuntos son subespacios vectoriales de R2 :

C1 = {(x, y) / 2x + y = 1}
C2 = {(x, y) / xy = 0}
C3 = {(x, y) / x + x2 = 0}.

En efecto, C1 no contiene al vector (0, 0) y, por tanto, no puede ser subespacio. Es

obvio que (0, 1), (1, 0) son vectores de C2 pero su suma (1, 1) no pertenece al conjunto;
en consecuencia, C2 incumple la condición (2) de la definición de subespacio. Para
ver que C3 no es subespacio vectorial consideramos el vector (−1, 0) que es un vector
de C3 y al multiplicarlo por el escalar λ = 2 nos da (−2, 0) 6∈ C3 .

2
Definición. Sea V un espacio vectorial sobre un cuerpo K y sean v1 , v2 , . . . , vn ∈ V . Se
llama combinación lineal de v1 , v2 , . . . , vn a cualquier vector de la forma
v = λ1 v1 + λ2 v2 + · · · + λn vn ,
donde λ1 , . . . , λn son elementos del cuerpo K. En este caso diremos que v depende lineal-
mente de v1 , v2 , . . . , vn .
Tenemos la siguiente caracterización de los subespacios vectoriales:
Proposición. Un subconjunto no vacı́o U de un espacio vectorial V es un subespacio
vectorial si y sólo si todas las combinaciones lineales de vectores de U pertenecen a U .
Definición. Sea U un subespacio vectorial de un espacio vectorial V . Se dice que un
subconjunto S de U es un conjunto de generadores de U si todo vector de U es combinación
lineal de vectores de S. Se denota U =< S >. Si S es un conjunto de generadores de U ,
diremos que U es el subespacio generado por S o cierre de S.
Ejemplo. Si consideramos el subespacio U = (x, y, z) ∈ R3 / x − z = 0 , entonces


U = {(z, y, z) / y, z ∈ R} = {y(0, 1, 0) + z(1, 0, 1) / y, z ∈ R} =< {(0, 1, 0), (1, 0, 1)} > .

Definición. Un conjunto S de vectores en un espacio vectorial es linealmente indepen-
diente o libre si ninguno de ellos es combinación lineal del resto.
Si S no es libre, diremos que es linealmente dependiente o ligado.
Proposición. Sea S = {v1 , v2 , . . . , vn } un conjunto de vectores en un espacio vectorial V .
Son equivalentes:
(i) S es un conjunto linealmente independiente;

λ1 v1 + λ2 v2 + · · · + λn vn = 0
(ii) =⇒ λ1 = λ2 = · · · = λn = 0.
λ1 , . . . , λn ∈ K
Observación. Observemos que, en virtud de la proposición anterior, un conjunto que
contenga al vector cero o en el que dos vectores son proporcionales no puede ser libre.
Ejemplo. Veamos que es libre el subconjunto S de M2×2 (R) dado por
   
1 1 0 1
S= , .
−1 0 1 3
Si consideramos una combinación lineal de ambas matrices y la igualamos a la matriz nula,
tenemos:
       
0 0 1 1 0 1 λ1 λ1 + λ2
= λ1 + λ2 = .
0 0 −1 0 1 3 −λ1 + λ2 3λ2
De dicha igualdad de matrices obtenemos claramente:

λ1 = 0 

λ1 + λ2 = 0

=⇒ λ1 = λ2 = 0.
−λ1 + λ2 = 0  
3λ2 = 0


3
Definición. Sea S = {v1 , v2 , . . . , vn } un conjunto de vectores de un espacio vectorial V .
Se llama rango de S al mayor número de vectores linealmente independientes que hay en
S. Se denota rango (S).

Proposición. Sea S = {v1 , v2 , . . . , vn } un conjunto de vectores en un espacio vectorial V .

Son equivalentes:

(i) S es libre;

(ii) rango (S) = n

El siguiente resultado nos indica el modo en el que podemos estudiar la independencia

lineal y el rango para vectores de Kn :

Proposición. Si S es un conjunto de p vectores de Kn , entonces rango (S) = rango (M ),

donde M ∈ Mp×n (K) es la matriz cuyas filas son los vectores de S.
Además, si E es una matriz escalonada obtenida tras realizar operaciones elementales
sobre las filas de M y SE es el subconjunto de Kn formado por las filas no nulas de E,
entonces SE es libre y, además, < S >=< SE >.

Ejercicio. Se considera el subconjunto S de R4 dado por:

S = {(1, 1, 0, 1), (1, 3, 1, −1), (−1, 3, 2, −5)}.

Hallar el rango de S y encontrar un conjunto libre L tal que < S >=< L >.
Solución: Construimos la matriz M cuyas filas son los elementos de S y la escalonamos
haciendo operaciones elementales por filas:

F21 (−1)
     
1 1 0 1 1 1 0 1 1 1 0 1
F31 (1) F32 (−2)
M =  1 3 1 −1  −→  0 2 1 −2  −→  0 2 1 −2  .
−1 3 2 −5 0 4 2 −4 0 0 0 0

Se tiene, por tanto, que

rango (S) = rango (M ) = 2
y, además, < S >=< L > donde

L = {(1, 1, 0, 1), (0, 2, 1, −2)}

es un conjunto libre.

4
2 Bases y dimensión
Definición. Un conjunto de vectores B de un espacio vectorial V es una base de V si B
es libre y V =< B >.

Teorema. Todo espacio vectorial V 6= {0} admite una base.

Observación. Los espacios vectoriales en los que se puede encontrar una base con un
número finito de elementos se llaman espacios de tipo finito. Se puede probar que en tales
espacios de tipo finito todas las bases tienen el mismo número de elementos. Eso justifica
la siguiente definición.

Definición. Sea V un espacio vectorial de tipo finito. Se define la dimensión de V (que

se denotará dim(V )) como sigue:
• Si V = {0} entonces dim(V ) = 0.
• Si V 6= {0} entonces dim(V ) es el número de elementos de una cualquiera de sus
bases.

Ejemplos. Se tiene lo siguiente:

(a) En Kn el conjunto
C = {(1, 0, . . . , 0, 0), (0, 1, . . . , 0, 0), . . . , (0, 0, . . . , 0, 1)}
es una base que se suele denominar base canónica de Kn . La dimensión es por tanto
dim(Kn ) = n.

(b) En Mp×n (K) el conjunto

C = {Eij / 1 ≤ i ≤ p, 1 ≤ j ≤ n}
donde Eij es la matriz cuyos elementos son todos nulos salvo el colocado en la fila i
y columna j, que es 1, esto es:
columna j
 ↓ 
0 ··· 0 ··· 0
 .. .. .. 
 . . . 
 
Eij =  0 · · · 1 · · · 0 

 → fila i
 .. .. .. 
 . . . 
0 ··· 0 ··· 0
es una base de Mp×n (K). En consecuencia:
dim(Mp×n (K)) = pn.

5
 (c) En Πn (K) el conjunto
C = {1, x, x2 , . . . , xn }
es una base y por tanto
dim(Πn (K)) = n + 1.

Observación. No es difı́cil probar que de todo conjunto de generadores se puede extraer

una base (eliminando vectores dependientes) y que todo conjunto libre está contenido en
alguna base. Por esa razón, en un espacio de tipo finito V se tiene
(1) Si L es un subconjunto libre de V entonces, como mucho, puede tener dim(V )
elementos.

(2) Si < S >= V , entonces S tiene, al menos, dim(V ) elementos.

Proposición. Sea V un K-espacio vectorial y sea S = {v1 , v2 , . . . , vn } un conjunto con

n = dim(V ) elementos. Son equivalentes:
(i) < S >= V ,

(ii) S es libre,

(iii) S es una base de V .

Ejercicio. Estudiar si los siguientes conjuntos son bases de R3 :

S1 = {(1, 2, 1), (3, 0, 1)}

S2 = {(1, 2, 1), (3, 0, 1), (−1, 1, 0), (2, 7, −4)}
S3 = {(1, 2, 1), (3, 0, 1), (−1, 1, 0)}
S4 = {(1, 2, 1), (3, 0, 1), (−1, 1, 1)}

Solución: Puesto que la dimensión de R3 es 3, ni S1 ni S2 pueden ser bases porque no

tienen 3 elementos. Para estudiar el caso de S3 y S4 que sı́ tienen 3 elementos cada uno,
en virtud de la proposición anterior basta ver si son libres.
• Para S3 se tiene:
  F (−3)  
1 2 1 21 1 2 1
F31 (1) F32 (1/2)
rango (S3 ) = rango  3 0 1  = rango  0 −6 −2  =
−1 1 0 0 3 1
 
1 2 1
= rango  0 −6 −2  = 2 6= núm. vectores de S3
0 0 0

Por tanto S3 no es base de R3 .

6
 • Para S4 se tiene:
  F (−3)  
1 2 1 21 1 2 1
F31 (1) F32 (1/2)
rango (S4 ) = rango  3 0 1  = rango  0 −6 −2  =
−1 1 1 0 3 2
 
1 2 1
= rango  0 −6 −2  = 3 = núm. vectores de S4
0 0 1

Por tanto S4 es base de R3 .

Cálculo de base y dimensión de subespacios vectoriales.

Cuando tengamos un subespacio vectorial U de alguno de los espacios Kn , Mp×n (K)
o Πn (K), para calcular la dimensión y una base de U procedemos de distinta forma si
el subespacio vectorial está definido mediante un conjunto de generadores o mediante
ecuaciones (que, forzosamente, tendrán que traducirse en un cierto sistema de ecuaciones
lineales homogéneo).

• Si U =< S >, se tiene que

dim(U ) = rango (S).
Para hallar una base, basta eliminar de S los vectores dependientes. Si U es un
subespacio de Kn entonces también se puede escalonar la matriz cuyas filas son los
vectores de S y quedarse con las filas escalonadas no nulas.

• Si U está definido por un cierto sistema de ecuaciones lineales homogéneo M x = 0

entonces
dim(U ) = n − rango (M ),
donde n es el número de incógnitas del sistema. Para hallar una base, basta resolver
el sistema y trasladar los resultados a los vectores de U .

Ejercicio. Calcular una base y la dimensión de los siguientes espacios vectoriales:

(1) U =< {(1, 2, 1, 4), (1, 0, 1, 2), (2, 4, 2, 8), (1, 4, 1, 5)} >.

(2) W = {A ∈ M2×2 (R) / A = At , tr (A) = 0}.

Solución:

(1) Como U es un subespacio de R4 , ponemos los vectores como filas de una matriz y
escalonamos por filas. De esta forma, al tiempo que calculamos el rango de la matriz

7
 (y, por tanto, la dimensión de U ) vemos qué vectores son dependientes.
  F21 (−1)  
1 2 1 4 F31 (−2) 1 2 1 4
 1 0 1 2  F41 (−1)  0 −2 0 −2 
dim(U ) = rango   = rango   F=34
 2 4 2 8   0 0 0 0 
1 4 1 5 0 2 0 1
   
1 2 1 4 1 2 1 4
 0 −2 0 −2  F32 (1)  0 −2 0 −2 
= rango   = rango  =3
 0 2 0 1   0 0 0 −1 
0 0 0 0 0 0 0 0

Por tanto, dim(U ) = 3 y podemos coger como base las filas no nulas de la matriz
escalonada:
B = {(1, 2, 1, 4), (0, −2, 0, −2), (0, 0, 0, −1)}.
También podrı́amos coger como base los generadores iniciales de U que no han dado
lugar a filas nulas en la matriz escalonada. Para ello basta tener en cuenta los
cambios de filas efectuados al escalonar. En nuestro caso, la cuarta fila de la matriz
escalonada es nula pero se habı́a hecho el cambio de filas 3 y 4, por lo que el vector
que es dependiente de los generadores iniciales es el tercero. En consecuencia, otra
base de U es:
B2 = {(1, 2, 1, 4), (1, 0, 1, 2), (1, 4, 1, 5)}.

(2) Lo primero es ver qué sistema de ecuaciones lineales define el conjunto W . Para ello,
consideramos una matriz genérica
 
a b
A= ∈ M2×2 (R)
c d

e imponemos las condiciones de pertenencia a W :

   
t a b a c
A=A ⇐⇒ = ⇐⇒ c−b=0
c d b d

tr (A) = 0 ⇐⇒ a + d = 0.
Por tanto, nuestro espacio queda:
  
a b c−b=0
W = ∈ M2×2 (R) / ,
c d a+d=0

expresado en términos del sistema homogéneo


c−b=0
a + d = 0.

8
 Es inmediato comprobar que la matriz de coeficientes de nuestro sistema (de 4
incógnitas) tiene rango 2 y, por tanto,

dim(W ) = 4 − 2 = 2.

Para hallar la base despejamos, por ejemplo, a, b en función de las otras dos incógnitas:

a = −d , b=c

y sustituyendo en las matrices del conjunto tenemos:

      
−d c 0 1 −1 0
W = ∈ M2×2 (R) / c, d ∈ R =< , >.
c d 1 0 0 1

Ası́ obtenemos la base de W siguiente:

   
0 1 −1 0
B= , .
1 0 0 1

3 Coordenadas de un vector respecto a una base. Cambio

de base

Proposición. Sea B = {v1 , v2 , . . . , vn } una base de un K−espacio vectorial V . Para cada

v ∈ V existe un único vector (λ1 , λ2 , . . . , λn ) ∈ Kn tal que v = λ1 v1 + λ2 v2 + · · · + λn vn .

Definición. Sea B = {v1 , v2 , . . . , vn } una base de un K−espacio vectorial V . Si v ∈ V es

tal que
v = λ1 v1 + λ2 v2 + · · · + λn vn ,
se dice que (λ1 , λ2 , . . . , λn ) es el vector de coordenadas de v respecto de la base B. Lo
denotaremos como
v = (λ1 , λ2 , . . . , λn )B
o, también, mediante la expresión:
 
λ1
 λ2 
vB =  .
 
..
 . 
λn

Ejemplo. Consideremos la base B = {(1, 1, 0), (0, 1, 1), (1, 0, 1)} de R3 .

9
 • Para hallar las coordenadas de v = (1, 3, −2) respecto de la base B escribimos el
vector v como combinación lineal de los elementos de la base y hallamos, igualando
ambos vectores y resolviendo el sistema que nos queda, los coeficientes de la combi-
nación lineal. Esto es:

(1, 3, −2) = λ1 (1, 1, 0) + λ2 (0, 1, 1) + λ3 (1, 0, 1) = (λ1 + λ3 , λ1 + λ2 , λ2 + λ3 ),

de donde, igualando cada componente, se obtiene el sistema de ecuaciones lineales


 λ1 + λ3 = 1
λ1 + λ2 = 3
λ2 + λ3 = −2


que, una vez resuelto por la técnicas conocidas de resolución de sistemas, nos da:

λ1 = 3 , λ2 = 0 , λ3 = −2 .

Por tanto, tenemos:

v = (3, 0, −2)B .

• Si w = (3, 2, −5)B entonces el vector w está dado por

w = 3(1, 1, 0) + 2(0, 1, 1) + (−5)(1, 0, 1) = (−2, 5, −3).

Definición. Sea V un espacio vectorial y sean B = {v1 , v2 , . . . , vn }, C = {e1 , e2 , . . . , en }

dos bases de V .
Se llama matriz de cambio de base (o matriz de cambio de coordenadas) de B a C a
una matriz PBC ∈ Mn×n (K) tal que

PBC vB = vC , ∀ v ∈ V.

Observación. Según la definición de la matriz PBC , para el primer vector v1 de la base

B tenemos que
PBC (v1 )B = (v1 )C ,
pero v1 = (1, 0, . . . , 0)B y, entonces,
 
1
 0 
(v1 )C = PBC (v1 )B = PBC   = primera columna de PBC .
 
..
 . 
0

Por tanto, la primera columna columna de PBC no es más que el vector de coordenadas de
v1 respecto de la base C. El mismo resultado puede obtenerse para los demás vectores vj ,
lo que prueba la siguiente proposición.

10
Proposición. La matriz de cambio de base de B = {v1 , v2 , . . . , vn } a C es la matriz
cuya columna j-ésima es el vector de coordenadas de vj respecto de la base C. Utilizando
notación de bloques (columna) tenemos:
PBC = ((v1 )C |(v2 )C | · · · |(vn )C ).
Ejemplo. En Kn es muy sencillo calcular la matriz PBC si C es la base canónica ya que
todo vector de Kn coincide con sus coordenadas respecto de la base canónica. Por ejemplo,
si B = {(1, 2, −2), (0, 1, 1), (7, −3, 4)} y C = {(1, 0, 0), (0, 1, 0), (0, 0, 1)}, entonces
(1, 2, −2) = (1, 2, −2)C , (0, 1, 1) = (0, 1, 1)C , (7, −3, 4) = (7, −3, 4)C
y, en consecuencia, tenemos:
 
1 0 7
PBC =  2 1 −3  .
−2 1 4
Observemos que el cálculo de la matriz del cambio de base inverso serı́a más complicado
ya que habrı́a que calcular los vectores de coordenades de los vectores de la base canónica
respecto de la base B, y eso supondrı́a resolver tres sistemas de ecuaciones lineales de tres
incógnitas. Para evitar tanto cálculo, suele ser útil hacer uso del siguiente resultado:
Proposición. Sea V un espacio vectorial y sean B, B 0 y C tres bases de V . Entonces:
(a) PBC es invertible y además (PBC )−1 = PCB .
(b) PBB0 = PCB0 PBC .

Ejercicio. En R3 se consideran las bases

B = {(1, 2, −2), (0, 1, 1), (7, −3, 4)} , B 0 = {(1, 1, 0), (1, 1, −1), (2, 1, 1)}.
(1) Hallar la matriz PCB0 siendo C la base canónica de R3 .
(2) Calcular PBB0 .
(3) Hallar las coordenadas del vector v = (−2, 2, 3)B respecto de la base B 0 .
Solución:
(1) Para calcular PCB0 es más sencillo hacer la inversa de PB0 C ya que esta última matriz
se obtiene de forma inmediata:
 
1 1 2
PB 0 C =  1 1 1 .
0 −1 1
Tras calcular la inversa de dicha matriz, se tiene:
 
−2 3 1
PCB0 = (PB0 C )−1 =  1 −1 −1  .
1 −1 0

11
 (2) Usando la proposición y los resultados obtenidos en el ejemplo visto anteriormente
y en el apartado (1), tenemos:
    
−2 3 1 1 0 7 2 4 −19
PBB0 = PCB0 PBC =  1 −1 −1   2 1 −3  =  1 −2 6 .
1 −1 0 −2 1 4 −1 −1 10

(3) Hacemos el cambio de coordenadas mediante la matriz PBB0 :

    
2 4 −19 −2 −53
vB0 = PBB0 vB =  1 −2 6   2  =  12  .
−1 −1 10 3 30

En consecuencia, se tiene que

v = (−53, 12, 30)B0 .

4 Aplicaciones lineales
Definición. Sean V y W dos K-espacios vectoriales. Una aplicación f : V → W se dice
que es una aplicación lineal si verifica las siguientes propiedades:

(a) f (x + y) = f (x) + f (y) , ∀ x, y ∈ V .

(b) f (λx) = λf (x) , ∀λ ∈ K,∀x ∈ V .

Si, además, V = W se dice que f es un endomorfismo.

Observación. De la definición anterior se sigue que si f : V → W es una aplicación lineal

entonces
n n
!
X X
f λ i xi = λi f (xi ) , ∀ λi ∈ K , ∀ xi ∈ V, i = 1, 2, . . . , n.
i=1 i=1
Observemos también que se verifica que la imagen del vector nulo de V ha de ser el
vector nulo de W , esto es:
f (0V ) = 0W .

Ejemplos.

(1) Si M ∈ Mp×n (K), la aplicación f : Kn → Kp definida por

f (v) = M v , ∀ v ∈ Kn ≡ Mn×1 (K)

es una aplicación lineal.

12
 (2) La aplicación f : Mn×n (R) → R definida por

f (A) = tr (A) , ∀ A ∈ Mn×n (R)

es una aplicación lineal.

(3) En cualquier espacio vectorial V la aplicación f : V → V definida por

f (v) = v , ∀v∈V

es una aplicación lineal, llamada aplicación identidad de V . La denotaremos id o

idV .

4.1 Núcleo e imagen de una aplicación lineal.

Definición. Sea f : V → W una aplicación lineal.

(1) Se define el núcleo de f como el conjunto

Ker(f ) = {v ∈ V / f (v) = 0}.

(2) Se llama imagen de f al siguiente subconjunto de W :

Im (f ) = {f (v) / v ∈ V }.

Proposición. Si f : V → W es una aplicación lineal, entonces Ker(f ) es un subespacio

vectorial de V e Im (f ) es un subespacio vectorial de W . Además si V es de tipo finito, se
verifica que
dim(V ) = dim(Ker(f )) + dim(Im(f )).

Definición. Sea f : V → W una aplicación lineal. Se llama rango de f a

rango (f ) = dim(Im(f )).

Cálculo de bases del núcleo y de la imagen de una aplicación lineal.

Supongamos que f : V → W es una aplicación lineal. Se tiene entonces:

1. La ecuación f (v) = 0 resulta siempre equivalente a un sistema de ecuaciones linea-

les homogéneo por lo que, para calcular una base de Ker(f ) bastará con resolver
el sistema y seguir el procedimiento habitual para subespacios definidos mediante
ecuaciones.

13
 2. No es difı́cil probar que si B = {v1 , v2 . . . , vn } es una base de V entonces

Im (f ) =< {f (v1 ), f (v2 ), . . . , f (vn )} > .

En consecuencia, una base de Im (f ) se obtiene eliminando de {f (v1 ), f (v2 ), . . . , f (vn )}

los vectores dependientes.

Observación. Recordemos que una función cualquiera f : S → T entre dos conjuntos S

y T se dice que es invertible si existe otra función g : T → S tal que

g ◦ f = idS , f ◦ g = idT .

A la función g se le llama entonces función inversa de f y se suele denotar g = f −1 .

Proposición. Sean f : V → W y g : W → U dos aplicaciones lineales.

(a) La composición (g ◦ f ) : V → U es lineal.

(b) Si f : V → W es invertible, entonces f −1 : W → V también es lineal.

Definición. Se llama isomorfismo a una aplicación lineal f : V → W invertible.

El núcleo y el rango de una aplicación lineal nos permiten determinar si esta es un iso-
morfismo. Se tiene:

Proposición. Sea f : V → W una aplicación lineal entre dos espacios vectoriales de

dimensión finita. Son equivalentes:

(a) f es invertible,

(b) dim(V ) = dim(W ) = rango (f ),

(c) dim(V ) = dim(W ) y, además, Ker(f ) = {0}.

Ejercicio. Sea f : Π2 (R) → R3 la aplicación lineal definida por

f (p(x)) = (p0 (0), p(0), 2p(0) + 3p0 (0)) , ∀ p(x) ∈ Π2 (R).

(1) Hallar una base de Ker(f ) y otra de Im (f ).

(2) Estudiar si f es un isomorfismo.

Solución:
Observemos que para un polinomio p(x) = a + bx + cx2 se tiene que p0 (x) = b + 2cx y,
por tanto,
f (a + bx + cx2 ) = (b, a, 2a + 3b).

14
 (1) Para calcular una base de Ker(f ) miramos en que polinomios se anula la función:

 b=0
2
(0, 0, 0) = f (a + bx + cx ) = (b, a, 2a + 3b) ⇐⇒ a=0
2a + 3b = 0


Puesto que la última ecuación claramente es dependiente de las otras, tenemos

Ker(f ) = { a + bx + cx2 / b = a = 0 } = { cx2 / c ∈ R } =< {x2 } > .

En definitiva, una base de Ker(f ) es:

BK = {x2 }.

La imagen de f está generada por las imágenes de los elementos de cualquier base
de Π2 (R). Por ejemplo, si tomamos la base C = {1, x, x2 }, se tiene

f (1) = (0, 1, 2) , f (x) = (1, 0, 3) , f (x2 ) = (0, 0, 0).

Esto implica que

Im (f ) =< {(0, 1, 2), (1, 0, 3), (0, 0, 0)} > .

Puesto que el vector nulo es obviamente dependiente y los otros son independientes
entre sı́, una base de la imagen será

BI = {(0, 1, 2), (1, 0, 3)}.

(2) f no puede ser un isomorfismo ya que, pese a que dim(Π2 (R)) = dim(R3 ) = 3, se
verifica que rango (f ) = 2 6= 3.

4.2 Matriz asociada a una aplicación lineal.

Habı́amos visto en un ejemplo que si M ∈ Mp×n (K) entonces la aplicación f : Kn → Kp

definida por
f (v) = M v , ∀ v ∈ Kn ≡ Mn×1 (K)
es lineal. De hecho, todas las aplicaciones lineales entre Kn y Kp son de esa forma.
Explı́citamente:

Definición. Sea f : Kn → Kp una aplicación lineal y denotemos por C = {e1 , e2 , . . . , en } la

base canónica de Kn . Llamaremos matriz asociada a f (respecto de las bases canónicas) a
la matriz M (f ) ∈ Mp×n (K) cuya columna j-ésima es el vector f (ej ) (escrito en columna).
En notación de bloques:

M (f ) = (f (e1 )|f (e2 )| · · · |f (en )).

15
Proposición. Si f : Kn → Kp es una aplicación lineal y M (f ) es su matriz asociada
(respecto de las bases canónicas) entonces

f (v) = M (f )v , ∀ v ∈ Kn

donde los vectores se consideran vectores columna.

Ejemplo. La matriz asociada a la aplicación lineal f : R3 → R2 definida por

f (x, y, z) = (x + 3y, 2x − y + 4z)

se construye calculando las imágenes de la base canónica de R3 y poniéndolas como colum-

nas de la matriz. Como

f (1, 0, 0) = (1, 2) , f (0, 1, 0) = (3, −1) , f (0, 0, 1) = (0, 4) ,

se tiene entonces que  

1 3 0
M (f ) = .
2 −1 4
Observemos que el valor, por ejemplo, de f (1, 6, 2) = (19, 4) se obtiene también del si-
guiente modo:
   
1   1  
1 3 0 19
f (1, 6, 2) = M (f )  6  =  6 = .
2 −1 4 4
2 2

La determinación del núcleo, la imagen y el rango de una aplicación lineal f : Kn → Kp

se puede hacer mediante la matriz asociada:

Proposición. Sea f : Kn → Kp una aplicación lineal y sea M (f ) su matriz asociada

(respecto de las bases canónicas).

(a) Ker(f ) = Ker(M (f )).

(b) Im(f ) es el espacio generado por las columnas de M (f ).

(c) rango (f ) = rango (M (f )).

Proposición. Se verifican las siguientes propiedades:

(a) Si f : Kn → Kp , g : Kp → Km son aplicaciones lineales entonces

M (g ◦ f ) = M (g)M (f ).

(b) La matriz asociada a la identidad id : Kn → Kn es M (id) = I.

16
 (c) Una aplicación lineal f : Kn → Kn es invertible si y solo si M (f ) es invertible y, en
tal caso,
M (f −1 ) = (M (f ))−1 .

Ejercicio. Se consideran las aplicaciones lineales f : R2 → R2 , g : R2 → R4 definidas por:

f (x, y) = (−2x + y, 4x − 3y) , g(x, y) = (x + y, −x − 2y, x + 3y, 2x) ∀ (x, y) ∈ R2 .

(1) Probar que f es invertible, hallar M (f −1 ) y calcular f −1 (2, −1).

(2) Obtener la matriz asociada (respecto de las bases canónicas) de (g ◦ f ).

Solución:

(1) Hallamos primero la matriz asociada a f :

  
f (1, 0) = (−2, 4) −2 1
⇐⇒ M (f ) = .
f (0, 1) = (1, −3) 4 −3

Claramente, dicha matriz es invertible porque det(M (f )) = 2, lo que quiere decir

que f es invertible y
 −1  
−1 −1 −2 1 −3/2 −1/2
M (f ) = (M (f )) = = .
4 −3 −2 −1

Ahora, para calcular f −1 (2, −1) basta multiplicar la matriz asociada a f −1 por
(2, −1)t , esto es:
      
−1 −1 2 −3/2 −1/2 2 −5/2
f (2, −1) = M (f ) = = .
−1 −2 −1 −1 −3

Es decir, f −1 (2, −1) = (−5/2, −3).

(2) La matriz asociada a g resulta:

 
 1 1
g(1, 0) = (1, −1, 1, 2)  −1 −2 
⇐⇒ M (g) =  
g(0, 1) = (1, −2, 3, 0)  1 3 
2 0

y, en consecuencia, tenemos:
   
1 1   2 −2
 −1 −2  −2 1  −6 5 
M (g ◦ f ) = M (g)M (f ) =   =  10 −8  .
 
 1 3  4 −3
2 0 −4 2

17