Equipo Docente 45
5 TEMA V: OTROS TEMAS DE ÁLGEBRA LINEAL
Conceptos clave más importantes Aplicación lineal • Matriz asociada a una
aplicación lineal en unas bases • Aplicación lineal canónicamente asociada a una ma-
triz • Núcleo de una aplicación lineal • Imagen de una aplicación lineal • Rango
de una aplicación lineal • Aplicaciones lineales inyectivas • Aplicaciones lineales
suprayectivas • Isomorfismos • Forma lineal • Autovalor (o valor propio) • Autovec-
tor (o vector propio) • Autoespacio (o subespacio vectorial propio) • Matriz diagonal-
izable
Resumen del tema
Definición y propiedades Consideramos espacios vectoriales E = Rm y F = Rn
(ambos, por supuesto, sobre R). Una aplicación lineal de E en F es una aplicación f
de E en F que verifica estas dos condiciones:
• para cada v ∈ E y cada w ∈ E, se tiene la igualdad: f (v + w) = f (v) + f (w);
• para cada v ∈ E y cada α ∈ R, se tiene la igualdad: f (αv) = αf (v).
Una aplicación lineal f de Rm en Rn tiene la forma siguiente:
f (x1 , x2 , . . . , xm ) = a11 x1 + a12 x2 + · · · + a1m xm ,
a21 x1 + a22 x2 + · · · + a2m xm , . . . ,
an1 x1 + an2 x2 + · · · + an m xm
para algunos números aij con 1 i n y 1 j m. De forma equivalente:
f (x1 , x2 , . . . , xm ) = (y1 , y2 , . . . , yn )
⎛ ⎞⎛ ⎞ ⎛ ⎞
a11 a12 . . . a1m x1 y1
⎜ ⎟⎜ ⎟ ⎜ ⎟
⎜ a21 a22 . . . a2m ⎟ ⎜ x2 ⎟ ⎜ y2 ⎟
⎜ ⎟⎜ ⎟ ⎜ ⎟
⎜ . .. .. .. ⎟ ⎜ . ⎟ = ⎜ . ⎟.
⎜ .. . . ⎠⎝ . ⎟
⎟ ⎜ . ⎜ . ⎟
⎝ . ⎠ ⎝ . ⎠
an1 an2 . . . anm xm yn
La matriz A = aij es una matriz de orden (n, m), que se denomina matriz asociada
a la aplicación lineal f en las bases canónicas.
Propiedades de las aplicaciones lineales (aquí f designa una aplicación lineal
de E = Rm en F = Rn ):
• transforman el vector nulo de un espacio en el vector nulo del otro: f (0E ) = 0F ;
• la imagen del opuesto es el opuesto de la imagen: f (−v) = −f (v);
Universidad Nacional de Educación a Distancia
46 Matemáticas I (Grado de ADE)
• conservan las combinaciones lineales: la imagen por una aplicación lineal de
una combinación lineal de vectores es la misma combinación lineal de las imá-
genes;
• rango v 1 , v 2 , . . . , v p
rango f (v 1 ), f (v 2 ), . . . , f (v p ) ;
• si v 1 , v 2 , . . . , v p es un sistema ligado, el sistema f (v 1 ), f (v 2 ), . . . , f (v p )
también es ligado;
• si f (v 1 ), f (v 2 ), . . . , f (v p ) es un sistema libre, el sistema v 1 , v 2 , . . . , v p tam-
bién es libre;
• una aplicación lineal está totalmente determinada si se conoce la imagen de
cada uno de los vectores de una base; en símbolos: si B = v 1 , v 2 , . . . , v m es
una base de E = Rm , es suficiente conocer f (v 1 ), f (v 2 ), . . . , f (v m ) para tener
determinada f , pues si v es un vector cualquiera de E, pongamos que con co-
ordenadas α1 , α2 , . . . , αm en la base B, esto es: v = α1 v 1 + α2 v 2 + · · · + αm v m ,
entonces:
f (v) = f (α1 v 1 + α2 v 2 + · · · + αm v m )
= α1 f (v 1 ) + α2 f (v 2 ) + · · · + αm f (v m ),
lo que reduce el cálculo de f (v) a conocer f (v 1 ), f (v 2 ), . . . , f (v m );
• si E1 es un subespacio vectorial de E, su imagen por f es un subespacio vecto-
rial de F , donde esta imagen es el conjunto f [E1 ] = f (v) v ∈ E1 ; además,
si v 1 , v 2 , . . . , v k son generadores de E1 , entonces f (v 1 ), f (v 2 ), . . . , f (v k ) son
a su vez generadores de f [E1 ];
• si F1 es un subespacio vectorial de F , su imagen recíproca (o inversa) por f es
un subespacio de E, donde esta imagen recíproca está definida como el con-
junto f −1 [F1 ] = v ∈ E f (v) ∈ F1 .
En particular, el conjunto Im f = f [E] = f (v) v ∈ E (tomando, en la penúltima
propiedad, E1 = E) es un subespacio vectorial de F ; se denomina imagen de la apli-
cación lineal f . Por otra parte, también: Ker f = f −1 [{0F }] = v ∈ E f (v) = 0F
(tomando, en la última propiedad, F1 = {0F }) es subespacio vectorial de E; se de-
nomima núcleo de la aplicación lineal f de E en F .
Matriz asociada a una aplicación lineal Consideramos una aplicación li-
neal f de E = Rm en F = Rn , y unas bases de estos espacios: V = v 1 , v 2 , . . . , v m
de Rm y W = w 1 , w 2 , . . . , w n de Rn . Se denomina matriz
asociada a f , o represen-
tante de f , en las bases V y W a la matriz A = aij de orden (n, m) que verifica:
sus términos de la j-ésima columna son las n coordenadas de f (v j ) en la base W ,
esto es: f (v j ) = a1j w 1 + a2j w 2 + · · · + anj w n , y ello para cada 1 j m.
Universidad Nacional de Educación a Distancia
Equipo Docente 47
Con estas notaciones, si A = aij es la matriz asociada a f en las bases V
y W , escribir f (v) = w, siendo v el vector de coordenadas α1 , α2 , . . . , αm en la
base V , y siendo w el vector de coordenadas β1 , β2 , . . . , βn en la base W —es decir:
v = α1 v 1 + α2 v 2 + · · · + αm v m y también w = β1 w 1 + β2 w 2 + · · · + βn w n —, es
equivalente a escribir:
⎛ ⎞⎛ ⎞ ⎛ ⎞
a11 a12 ... a1m α1 β1
⎜ ⎟⎜ ⎟ ⎜ ⎟
⎜ a21 a22 ... a2m ⎟ ⎜ α2 ⎟ ⎜ β2 ⎟
⎜ ⎟⎜ ⎟ ⎜ ⎟
⎜ . .. .. .. ⎟ ⎜ . ⎟ = ⎜ . ⎟.
⎜ .. . . ⎠⎝ . ⎟
⎟ ⎜ . ⎜ . ⎟
⎝ . ⎠ ⎝ . ⎠
an1 an2 ... anm αm βn
En el caso particular en que W es justamente la base canónica BC de Rn , se tiene
que f (v j ) = aj , es decir, el j-ésimo vector columna de A es precisamente f (v j ) (y
ello para 1 j m).
Se denomina aplicación lineal canónicamente asociada a una matriz A = aij
de orden (n, m) a la única aplicación lineal A de Rm en Rn cuya matriz asociada en
las bases canónicas es A.
Rango de una aplicación lineal Dada una aplicación lineal f de E = Rm
en F = Rn , el conjunto Im f —ya lo sabemos— es un subespacio vectorial de F .
Se denomina rango de la aplicación lineal f a la dimensión de este subespacio. Se
denota por rango f ; es decir: rango f = dim(Im f ).
Propiedades:
• el rango de f es igual al rango del sistema de vectores formado por las imágenes
de los vectores de cualquier sistema de generadores de E; en símbolos: si v 1 ,
v 2 , . . . , v k son generadores de E: rango f = rango f (v 1 ), f (v 2 ), . . . , f (v k ) ;
• rango f mín{dim E, dim F }.
Caracterizaciones de una aplicación lineal inyectiva. Una aplicación (no nece-
sariamente lineal) es inyectiva si no hay dos elementos distintos del conjunto de
partida con la misma imagen (en símbolos: si a ≠ b, entonces f (a) ≠ f (b), o bien:
si f (a) = f (b), entonces a = b).
Con una aplicación lineal f de E = Rm en F = Rn , son equivalentes las siguientes
afirmaciones:
• f es inyectiva;
• el rango de la aplicación lineal f es igual a la dimensión del espacio vectorial
de partida: rango f = dim E = dim Rm = m;
• Ker f = {0E }, o lo que es lo mismo: dim(Ker f ) = 0;
Universidad Nacional de Educación a Distancia
48 Matemáticas I (Grado de ADE)
• si v 1 , v 2 , . . . , v p son p vectores linealmente independientes de E, entonces sus
imágenes: f (v 1 ), f (v 2 ), . . . , f (v p ) son p vectores linealmente independientes
de F .
Consecuencia importante: el rango de un sistema de vectores se conserva por una
aplicación lineal inyectiva; es decir, para f inyectiva, se verifica:
rango v 1 , v 2 , . . . , v p = rango f (v 1 ), f (v 2 ), . . . , f (v p ) .
Caracterización de una aplicación lineal suprayectiva. Una aplicación (no necesa-
riamente lineal) es suprayectiva si todo elemento del conjunto de llegada es imagen
de algún elemento del conjunto de partida (en símbolos: para cada z del conjunto de
llegada, existe algún a en el conjunto de partida tal que f (a) = z).
Con una aplicación lineal f de E = Rm en F = Rn , son equivalentes estos enun-
ciados:
• f es suprayectiva;
• Im f = F = Rn ;
• el rango de la aplicación lineal f es igual a la dimensión del espacio vectorial
de llegada: rango f = dim F = dim Rn = n.
Caracterización de una aplicación lineal biyectiva. Una aplicación (no necesaria-
mente lineal) es biectiva si es inyectiva y suprayectiva a la vez.
Una aplicación lineal que se biyectiva se denomina isomorfismo.
Propiedades (f es una aplicación lineal de E = Rm en F = Rn ):
• si f es un isomorfismo, entonces E y F tienen la misma dimensión (es de-
cir: m = n);
• dada una base v 1 , v 2 , . . . , v m de E, la aplicación lineal f es un isomorfismo
precisamente si el sistema f (v 1 ), f (v 2 ), . . . , f (v m ) es una base de F ;
• la aplicación lineal f es un isomorfismo precisamente si su rango es igual
tanto a la dimensión del conjunto de partida como a la del conjunto de lle-
gada: rango f = dim E = m = n = dim F .
Teorema de las dimensiones: dada una aplicación lineal f de E = Rm en F = Rn ,
se tiene:
dim(Ker f ) + dim(Im f ) = dim E.
Propiedad: si E y F son de la misma dimensión (esto es: m = n), entonces son
equivalentes: f es inyectiva, f es suprayectiva y f es biyectiva.
Formas lineales Una forma lineal sobre Rn es una aplicación lineal de Rn en R
(es decir, tomando como conjunto de llegada el espacio vectorial R).
Universidad Nacional de Educación a Distancia
Equipo Docente 49
Una forma lineal f sobre Rn tiene esta forma:
f (x1 , x2 , . . . , xn ) = a1 x1 + a2 x2 + · · · + an xn ,
para algunos números a1 , a2 , . . . , an .
Si f es una forma lineal no nula (es decir: f (v) ≠ 0 para algún vector v de Rn ),
entonces el núcleo de f es un hiperplano vectorial de Rn . Recíprocamente, si H es
un hiperplano de Rn , entonces existe alguna forma lineal f sobre Rn , no nula, de la
cual el mismo H es su núcleo: Ker f = H.
Autovalores y autovectores Dada una matriz A cuadrada, un número λ es un
autovalor (o un valor propio) de A si se verifica: det(A − λI) = 0.
Si A es una matriz cuadrada, el desarrollo del determinante det(A − λI) es un
polinomio en la variable λ, que se denomina polinomio característico de A; y la
ecuación polinómica obtenida a partir de det(A − λI) = 0 se denomina ecuación
característica de A. Las raíces (o ceros) del polinomio característico de A —o bien:
las soluciones de la ecuación característica de A— son precisamente los autovalores
de A.
Dada una matriz cuadrada A de orden n, si λ es autovalor de A, el conjunto
de soluciones del sistema de ecuaciones lineales homogéneo (A − λI)X = O es un
subespacio vectorial de Rn , que se denomina autoespacio (o subespacio vectorial
propio) de A asociado a λ. Los vectores no nulos de este subespacio se denominan
autovectores (o vectores propios) de A asociados a λ. La dimensión del subespacio
vectorial propio de A asociado a λ es igual a n − rango(A − λI).
Propiedades de los autovalores y los autovectores:
• una matriz admite como autovalor el número 0 si y solo si la matriz es singular;
• los autovalores de una matriz cuadrada triangular (bien superior, bien inferior)
—y en particular los de una matriz diagonal— son precisamente los términos
de la diagonal principal;
• una matriz (real) cuadrada de orden n admite exactamente n autovalores, reales
o complejos, contado cada uno con su multiplicidad;
• si A es cuadrada de orden n y λ1 , λ2 , . . . , λn son sus n autovalores, enton-
ces: tr(A) = λ1 + λ2 + · · · + λn y det(A) = λ1 λ2 · · · λn ;
• los autovectores asociados a autovalores distintos son linealmente indepen-
dientes.
Matriz diagonalizable Una matriz cuadrada A es diagonalizable si existen una
matriz regular P y una matriz diagonal D de forma que A = PDP −1 , o equivalente-
mente: D = P −1 AP.
Universidad Nacional de Educación a Distancia
50 Matemáticas I (Grado de ADE)
Condición suficiente: una matriz cuadrada de orden n que admite n autovalores
distintos dos a dos (es decir, no hay dos iguales) es diagonalizable.
Caracterización de las matrices diagonalizables: una condición necesaria y su-
ficiente para que una matriz cuadrada sea diagonalizable es que cada uno de los
subespacios vectoriales propios de la matriz tenga dimensión igual a la multiplici-
dad, en el polinomio característico, del autovalor al que está asociado.
Dado un autovalor de una matriz cuadrada, se denomina multiplicidad algebraica
del autovalor a la multiplicidad del autovalor como raíz del polinomio característico,
y se denomina multiplicidad geométrica del autovalor a la dimensión del subespacio
vectorial propio asociado al autovalor. La caracterización anterior queda así: una
condición necesaria y suficiente para que una matriz cuadrada sea diagonalizable es
que cada autovalor de la matriz tenga sus dos multiplicidades iguales.
Diagonalizar una matriz cuadrada (diagonalizable) A significa encontrar unas
matrices P y D como reza la definición, es decir, encontrar una matriz regular P y
una matriz diagonal D tales que A = PDP −1 .
Propiedad de las matrices simétricas: si A es una matriz simétrica (A = At ), en-
tonces A es diagonalizable, todos sus autovalores (que pueden ser múltiples) son
números reales, y es posible diagonalizar la matriz A a través de una matriz P or-
togonal (P −1 = P t ); es decir: existen una matriz diagonal D y una matriz ortogonal P
tales que A = PDP −1 , o bien: A = PDP t .
Un resultado sobre matrices no diagonalizables. Si A es una matriz cuadrada
de orden 2 no diagonalizable, entonces presenta un autovalor doble, pongamos λ, y
existe una matriz P regular tal que P −1 AP = J, siendo
λ 1
J= .
0 λ
Además, la matriz P se “construye” así: su primer vector columna es un autovector v 1
asociado al autovalor λ, y su segundo vector columna es un vector v 2 que es una
solución del sistema de ecuaciones lineales (A − λI2 )X = V1 (en la incógnita X),
donde V1 es la matriz columna cuyos términos son las componentes del vector v 1 .
Universidad Nacional de Educación a Distancia
