Tema IV

APLICACIONES LINEALES
Objetivos

Conocer el concepto de aplicación lineal entre dos espacios vectoriales. Saber

comprobar si una determinada transformación es lineal.

Saber calcular las imágenes mediante una transformación lineal de un vector o de
un subespacio completo.

Saber buscar qué vectores se transforman en el vector nulo y qué vectores son la
imagen de algún vector.

Entender que cada aplicación lineal puede ser representada por una matriz. Saber
realizar todo lo anterior trabajando con dicha matriz.

IV.1. DEFINICIÓN DE APLICACION LINEAL. PROPIEDADES.

Definición. Sean E y F dos espacios vectoriales sobre el cuerpo K, de dimensiones n y

m respectivamente. Una aplicación f de E en F que asigna a cada vector x de E un

vector f(x) de F

f: E → F
x → f (x )

es una aplicación lineal si verifica las condiciones

I )∀x, y ∈ E f (x + y) = f (x) + f ( y)
II )∀x ∈ E y α ∈ K f (α x ) = α f ( x )

La condición I) indica que la imagen de la suma de dos vectores es la suma de las

imágenes.

A veces nos referimos a las aplicaciones lineales como transformaciones lineales.

Página 115
Aplicaciones lineales

Ejemplo

Se define la aplicación

f : ℝ3 → ℝ2
 x1 
  x + x 
x =  x2  → f (x) =  1 2 
x   x3 
 3

Probar que f es lineal.

x = ( x1 x3 ) y = ( y1 y3 ) dos
t t
Solución. Sean x2 e y2 vectores de
3.

Comprobemos las condiciones I) y II) de la definición de aplicación lineal.

I) x + y = ( x1 x3 ) + ( y1 y3 ) = ( x1 + y1 x2 + y2 x3 + y3 )
t t t
x2 y2

f ( x + y ) = ( x1 + y1 + x2 + y2 x3 + y3 ) = ( x1 + x2 x3 ) + ( y1 + y2 y3 ) = f ( x ) + f ( y )
t t t

II) ∀x ∈ ℝ 3 y α ∈ K se tiene que como α x = α ( x1 x3 ) = (α x1 α x2 α x3 ) ,

t t
x2

f (α x ) = (α x1 + α x2 α x3 ) = α ( x1 + x2 x3 ) = α f ( x )
t t
◄

Ejemplo

Se define la aplicación

f : ℝ3 → ℝ2
 x1 
  x + x 
x =  x2  → f (x) =  1 2 
x   x3 + 1 
 3

Veamos si f es una aplicación lineal.

Solución.

Sean x = ( x1 x3 ) e y = ( y1 y3 ) dos vectores de
3. Comprobemos las dos

t t
x2 y2

condiciones I) y II) anteriores.

Página 116
 Aplicaciones lineales

Dado que x + y = ( x1 x3 ) + ( y1 y3 ) = ( x1 + y1 x2 + y2 x3 + y3 ) se tiene

t t t
x2 y2

que f ( x + y ) = ( x1 + y1 + x2 + y2 x3 + y3 + 1)
t

Por otro lado,

f ( x ) + f ( y ) = ( x1 + x2 x3 + 1) + ( y1 + y2 y3 + 1) = ( x1 + y1 + x2 + y2 x3 + y3 + 2 ) .
t t t

De donde f ( x ) + f ( y ) ≠ f ( x + y ) , luego f no es lineal. ◄

Ejemplo

Sea A una matriz real de tamaño m x n. Probar que la aplicación siguiente es lineal.

f : ℝn → ℝm
x → f (x ) = A ⋅ x

Solución.

Sean x e y dos vectores de
n y α un número real. La comprobación de las dos

condiciones de linealidad es directa, utilizando las propiedades de las matrices

f ( x + y ) = A( x + y ) = Ax + Ay = f ( x ) + f ( y )
f (α x ) = A(α x ) = α Ax = α f ( x )

Por lo tanto, f es lineal. ◄

Ejemplo

Sea E un espacio vectorial real y B = {u1 ,u2 ,…,un } una base de E. Probar que la

aplicación coordenada es lineal

f :E → ℝn
x → f (x) = xB

Solución.

Supóngase que

Página 117
Aplicaciones lineales

 x1   y1 
   
x y2
xB =  2  y yB =  
⋮   ⋮ 
   
 xn   yn 

Entonces

x + y = ( x1u1 + x2u2 + … + xnun ) + ( y1u1 + y2u2 + … + ynun ) =

= ( x1 + y1 )u1 + ( x2 + y2 )u2 + … + ( xn + yn )un

con lo que

 x1 + y1   x1   y1 
     
x2 + y2   x2   y2 
( x + y )B =  =
 ⋮  ⋮   ⋮ 
+ = xB + yB
     
 xn + yn   xn   yn 

Es decir f ( x + y ) = f ( x ) + f ( y )

Por otro lado

α x = α ( x1u1 + x2u2 + … + xnun ) = α x1u1 + α x2u2 + … + α xnun

luego

 α x1   x1 
   
α x2  x
(α x ) B = 
 ⋮ 
= α  2  = α xB
⋮ 
   
 α xn   xn 

y así f (α x ) = α f ( x )

En consecuencia, f es una aplicación lineal.

Esta propiedad se sigue verificando si se cambia
n por n. ◄

Son muchos los ejemplos de aplicaciones lineales definidas entre espacios vectoriales.
Así la proyección y la simetría respecto de cualquier eje coordenado son también

Página 118
 Aplicaciones lineales

aplicaciones lineales en el espacio vectorial V3.

Propiedades de las aplicaciones lineales.

Sea f una aplicación lineal definida entre los espacios vectoriales E y F sobre .
Entonces:

1) ∀x , y ∈ E y ∀λ ,µ ∈ K se tiene que f (λ x + µ y ) = λ f ( x ) + µ f ( y )

Por extensión, la propiedad se puede generalizar a cualquier número de sumandos.

2) Si se denota por 0E el elemento neutro para la suma en E y por 0F el elemento neutro

para la suma en F se tiene que f (0E ) = 0F puesto que f (0E ) = f (0 ⋅ x ) = 0 ⋅ f ( x ) = 0F

Sin embargo puede haber más elementos de E que tengan por imagen el 0F. Todos
ellos constituirán un subespacio, que estudiaremos más adelante y se denominará
núcleo de f.

3) {
Si el conjunto S = e1 ,e 2 ,… , ep } es linealmente dependiente, entonces el

{ }
conjunto f ( S ) = f (e1 ), f (e2 ),… , f (ep ) es también linealmente dependiente.

Demostración. Si el conjunto S = e1 ,e 2 ,… , ep { } es linealmente dependiente

entonces la combinación nula α1 ⋅ e1 + α 2 ⋅ e 2 + … + α p ⋅ ep = 0E se cumple con algún

αi≠0. Sea

f ( α 1 ⋅ e 1 + α 2 ⋅ e 2 + … + α p ⋅ e p ) = f ( 0 E ) = 0 F = α1 f ( e 1 ) + α 2 f ( e 2 ) + … + α p f ( e p )

Esto es una relación nula de los f (ei ) con algún αi≠0. Luego,

f ( S ) = { f (e1 ), f (e2 ),… , f (ep )} es linealmente dependiente. ■

4) Si f ( S ) = { f (e1 ), f (e2 ),… , f (ep )} es linealmente independiente, entonces

S = {e1 ,e 2 ,… , ep } es también linealmente independiente.

Página 119
Aplicaciones lineales

Demostración. Es evidente por la propiedad anterior, ya que si S es ligado, entonces

f ( S ) también es ligado. ■

5) {
Si el conjunto S = e1 ,e 2 ,… , ep } es linealmente independiente, entonces el

{ }
conjunto f ( S ) = f (e1 ), f (e2 ),… , f (ep ) puede ser o no linealmente dependiente.

Ejemplo

Sea la aplicación lineal

f : ℝ3 → ℝ2
 x1 
  x + x 
x =  x2  → f (x) =  1 2 
x   x3 
 3

{
Consideremos el conjunto de vectores B = (1 0 0 ) , ( 0 1 0 ) , ( 0 0 1)
t t t
} de
3

que es libre. Calculemos f ( B ) :

{
f ( B) = (1 0 ) , (1 0 ) , ( 0 1)
t t t
} que es un conjunto linealmente dependiente en
. 2

{
Si ahora se considera el conjunto U = (1 0 0 ) , ( 0 0 1)
t t
} de
3, se tiene que

{
f (U ) = (1 0 ) , ( 0 1)
t t
} es un conjunto linealmente independiente en
. 2
◄

IV.2. IMAGEN Y NUCLEO DE UNA APLICACION LINEA

Sea f una aplicación lineal definida entre los espacios vectoriales E y F, f : E → F

Definición. Se llama núcleo de f al subconjunto de E Ker f = {x ∈ E / f ( x ) = 0F } , es

decir, Ker f es el conjunto de vectores de E, que tienen como imagen por f el vector
nulo de F. También se le suele denotar por Nuc f ó N( f ).

el núcleo de una aplicación lineal es un subespacio vectorial de E.

Teorema. El núcleo (Ker f ) de una aplicación lineal f es un subespacio vectorial de E.

Página 120
 Aplicaciones lineales

Demostración:

Hay que comprobar las tres condiciones de subespacio.

El vector 0E ∈ Ker f ya que f (0E ) = 0F .

I) ∀x, y ∈ Ker f ⇒ x + y ∈ Ker f .

Sean x, y ∈ Ker f : De donde: f ( x + y ) = f (x ) + f (y) = 0F + 0F = 0F

f lineal x∈Ker f , y∈Ker f

luego, x + y ∈ Ker f

II) ∀x ∈ Ker f ∧ ∀α ∈ K ⇒ α x ∈ Ker f . Sean x ∈ Ker f ∧ α ∈ K , luego

f (α x ) = α f ( x ) = α 0F = 0F
f lineal x∈Ker f

por lo tanto α x ∈ Ker f .

Queda así demostrado que Ker f es un subespacio vectorial de E. ■

Definición. Se llama imagen de la aplicación lineal f al subconjunto de F

Im f = { f ( x ) ∈ F / x ∈ E} . Es decir, Im f es el subconjunto de F, formado por las

imágenes, mediante f, de los vectores de E.

Teorema. La imagen (Im f) de una aplicación lineal f : E → F es un subespacio

vectorial de F.

Demostración:

Hay que comprobar las tres condiciones de subespacio vectorial. Puesto que

f (0E ) = 0F , se tiene que Im f contiene al vector nulo.

I) ∀ y1 , y 2 ∈ Im f ⇒ y 1 + y 2 ∈ Im f

Sean y1 , y 2 ∈ Im f Entonces existen dos vectores x 1 , x 2 ∈ E tales que

Página 121
Aplicaciones lineales

f ( x1 ) = y1 ∧ f (x2 ) = y2

Como y1 + y 2 = f ( x1 ) + f ( x 2 ) f lineal
= f ( x1 + x 2 )

se tiene que y1 + y 2 ∈ Im f , ya que es imagen por f del vector x 1 + x 2 de E.

II) ∀y ∈ Im f ∧ ∀α ∈ K ⇒ α y ∈ Im f . Sean y ∈ Im f ∧ α ∈ K , luego

α y = α f ( x ) = f (α x )
f lineal

por lo tanto α y ∈ Im f .

Queda así demostrado que Im f es un subespacio vectorial de F. ■

Observación: La imagen de un subespacio vectorial S de E f (S) = { f ( x ) ∈ F / x ∈ S} es

un subespacio vectorial de F.

El subespacio imagen más importante es el f (E), es decir la imagen de todo el espacio

vectorial de E, que se denota, tal y como hemos visto, como Im f

Ejemplo

Sea la aplicación lineal

f : ℝ3 → ℝ2
 x1 
   x +x 
x =  x2  → f (x) =  1 2 
x   x1 -x 2 
 3

Siendo x = ( x1 x 3 ) . Se pide:
T
x2

Hallar Ker f.

Encontrar los vectores linealmente independientes de ℝ 3 con la misma imagen.

Calcular Im f.

Página 122
 Aplicaciones lineales

Solución:

x1 + x2 = 0 
x = ( x1 x 3 ) ∈ Ker f ⇔  ⇔ x1 = x2 = 0
T
(i) x2
x1 - x2 = 0 

Así pues Ker f = {( 0 0 x 3 ) / x 3 ∈ ℝ , siendo

t
} {( 0 0 1)
t
} una base de Ker f, y por
tanto dim Ker f =1

De la definición de f se deduce que los vectores u = (1 1 1) y v = (1 1 2 )

t t
(ii)

cumplen f (u) = f ( v ) = ( 2 0)
t

Sea f ( x ) un vector de Im f siendo x = ( x1 x3 ) , entonces

t
(iii) x2

f ( x ) = ( x1 + x2 x1 - x2 ) = ( x1 x1 ) + ( x2 - x2 ) = x1 (1 1) + x2 (1 −1)
t t t t t

Luego Im f = Span (1 1) { t
(1 -1)
t
}
Puesto que {(1 1)
t
(1 }
-1) es un conjunto linealmente independiente, es una base
t

de Im f, con lo que dim Im f = 2, Obsérvese que se cumple la siguiente relación de

dimensiones dim ℝ 3 = dim Ker f + dim Im f . Esto será así en general (ver el Teorema

fundamental de las aplicaciones lineales en IV.3). ◄

Definición: Se llama rango de una aplicación lineal a la dimensión del subespacio

imagen Im f: rango f = dim f (E)= dim Im f

Teorema: Sea f : E → F una aplicación lineal. Si B = {e1 , e2 , ⋯ , en } es una

base de E, entonces f (B) = { f (e1 ) f (e 2 ) ⋯ f (en )} es un sistema generador de f

(E) (es decir, de Im f).

Demostración:

Página 123
Aplicaciones lineales

Sea x un vector arbitrario de E y B = {e1 , e2 ,⋯ , en } una base de E. Entonces:

x = x1e1 + x2 e2 + ⋯ + xn en

Y f (x ) = f ( x1e1 + x2 e 2 + ⋯ + xn en ) = x1 f (e1 ) + x2 f (e 2 ) + ⋯ + xn f (en )

Luego Im f = Span { f (e1 ), f (e2 ), ⋯ , f (en )} y por tanto

f (B) = { f (e1 ), f (e2 ), ⋯ , f (en )} es un sistema generador de la Im f ■

Como consecuencia de este teorema se tiene que dim Im f ≤ dim E = n .

Observación. Si B es una base de E entonces f (B) genera Im f, por lo que quedándonos

con los vectores linealmente independientes de f (B) tendremos una base de Im f.

IV.3. TEOREMA FUNDAMENTAL DE LAS APLICACIONES LINEALES

Teorema. Sean E y F espacios vectoriales sobre K , siendo E de dimensión finita.

Si f : E → F es una aplicación lineal entonces dim E = dim Ker f + dim Im f

Demostración (opcional):

Sea E un espacio vectorial de dimensión n, y e1 , e 2 ,… , ep { } una base del Ker

f, luego dim Ker f = p. Se probará que dim (Im f) = n - p

Por el Teorema de la Base Incompleta (ya estudiado en el Tema 2), se puede

encontrar una base de E de la forma

{e , e
1 2 ,… ,ep , ep+1 , ep+2 ,… ,en }

Ahora bien, se tiene que

Im f = Span { f (e1 ), f (e2 ), ⋯ , f (ep ), f (ep+1 ), ⋯ , f (en )}

Y como f (ei ) = 0 F ∀ i = 1, 2,⋯ , p

Entonces:

Página 124
 Aplicaciones lineales

Im f = Span { f (ep+1 ), f (ep+2 ), ⋯ , f (en )}

Veamos que { f (e p+1 ), f(ep+2 ), ⋯ , f (en )} es un conjunto linealmente

independiente. Para ello se construye la combinación lineal nula

bp+1 f (ep+1 ) + bp+2 f (ep+2 ) + ⋯ + bn f (en ) = 0F

Entonces:

f (bp+1ep+1 + bp+2 ep+2 + ⋯ + bn en ) = 0F

Luego el vector bp+1ep+1 + bp+2 ep+2 + ⋯ + bn en está en Ker f, y por tanto es

combinación lineal de los vectores de la base de Ker f, es decir

bp+1ep+1 + bp+2 ep+2 + ⋯ + bn en = a1e1 + a2 e2 + ⋯ + ap ep

O equivalentemente

− a1e1 − a2 e 2 − ⋯ − ap ep + bp+1ep+1 + bp+2 ep+2 + ⋯ + bn en = 0E

y como {e , e
1 2 ,… ,ep , ep+1 , ep+2 ,… ,en } es una base de E, todos los coeficientes

anteriores son nulos. En particular

bp+1 = bp+2 = ⋯ = bn = 0

Luego, { f (e p+1 ), f (ep+2 ), ⋯ , f (en )} es un conjunto linealmente

independiente y en consecuencia una base de Im f. Claramente dim (Im f) = n - p

Por tanto, dim Ker f + dim Im f = p + (n - p) = n. ■

Si Ker f = {0E}, la demostración del teorema no se empezaría construyendo una base de

Ker f por no existir, sino que se partiría de una base B arbitraria de E y todo el
razonamiento del teorema sería el mismo.

Si Ker f = E, entonces Im f = {0F} y se cumple trivialmente que

Página 125
Aplicaciones lineales

dim Ker f + dim Im f = n + 0 = n.

IV.4. CLASIFICACION DE LAS APLICACIONES LINEALES

Sean E y F espacios vectoriales sobre , y f : E → F una aplicación lineal.

Definición. Se dice que:

(i) f es inyectiva si ∀ x, y / f ( x ) = f ( y ) ⇔ x = y .

(ii) f es sobreyectiva si para cualquier vector y de F, se puede encontrar un vector x

de E tal que f (x) = y. ∀ y ∈ F ⇒ ∃ x ∈ E / f ( x ) = y .

(iii) f es biyectiva si f es inyectiva y sobreyectiva. Si f es biyectiva se llama

isomorfismo.

De acuerdo con las propiedades vistas al comienzo del tema, las aplicaciones lineales
conservan la dependencia lineal. Sin embargo, en general, las aplicaciones lineales no
conservan la independencia lineal. Ahora bien, cabría preguntarse si algún tipo
determinado de aplicaciones la conserva. La clase de aplicaciones que pueden tener
esta propiedad, son sin duda las aplicaciones inyectivas, ya que si un vector tiene
antimagen, ésta es única. Los siguientes resultados prueban este comentario.

Teorema (Caracterización de las aplicaciones lineales inyectivas). La condición

necesaria y suficiente para que f sea inyectiva es que Ker f = {0E}.

Demostración (opcional):

⇒) Supóngase que f : E → F es una aplicación lineal inyectiva.

Sea x ∈ Ker f ⇒ f ( x ) = 0F . Además, por ser f lineal se tiene que f (0E) = 0F.

f ( x ) = 0F 
 ⇒ f ( x ) = f (0E ) f inyectiva
⇒ x = 0E
f ( 0E ) = 0F 

Como f es inyectiva x = 0E. Por tanto Ker f = {0E}.

Página 126
 Aplicaciones lineales

⇐) Sea Ker f = (0E). Se va a demostrar que entonces f es inyectiva. Sean

x, y ∈ E / f ( x ) = f ( y ) o equivalentemente f ( x ) − f ( y ) = 0F , y por ser f lineal

f ( x − y ) = 0F . Luego x − y ∈ Ker f = {0E } ,de donde x - y = {0E}, y por tanto x = y.

Luego, f es inyectiva. ■

Nótese que como consecuencia del teorema anterior, si E y F son dos espacios
vectoriales de dimensión finita y f : E → F es una aplicación lineal inyectiva, entonces

dim E ≤ dim F .

Teorema. Si f : E → F es una aplicación lineal inyectiva y e1 , { e 2 , ⋯ , ep } es un

conjunto de vectores de E linealmente independientes, entonces

{ f (e ),
1 f (e2 ), ⋯ f (ep )} son también linealmente independientes en F.

Demostración:

{
Sea e1 , e 2 , ⋯ , ep } un conjunto de vectores de E.

La combinación lineal nula α1 f (e1 ) + α 2 f (e 2 ) + ⋯ + α p f (ep ) = 0F puede escribirse

como f (α1e1 + α 2 e 2 + ⋯ + α p ep ) = 0F . Luego α1e1 + α 2 e 2 + ⋯ + α p ep ∈ Ker f

y por ser f inyectiva, Ker f = (0E), de donde

α1e1 + α 2 e2 + ⋯ + α p ep = 0E

Como los vectores e1 , { e 2 , ⋯ , ep } son linealmente independientes, entonces

α1 = α 2 = ⋯ = α p = 0

Por tanto { f (e ),
1 f (e2 ), ⋯ f (ep )} son linealmente independientes. ■

Teorema (Caracterización de las aplicaciones lineales sobreyectivas).

Sea f : E → F una aplicación lineal. La condición necesaria y suficiente para que f sea

sobreyectiva es que Im f = F.

Página 127
Aplicaciones lineales

Demostración (opcional):

⇒) Supóngase que f : E → F es una aplicación lineal sobreyectiva, es decir, para

cualquier vector y de F se puede encontrar un vector x de E tal que f (x) = y. Luego

Im f = F.

⇐) Sea y un vector de F = Im f, entonces existe un vector x ∈ E tal que f (x) = y ■

Si f : E → F es una aplicación lineal sobreyectiva, y E y F son dos espacios vectoriales

de dimensión finita, se sigue, del teorema anterior, que dim E ≥ dim F .

Corolario: Sea f : E → F una aplicación lineal. La condición necesaria y suficiente para

que f sea biyectiva es que Ker f = {0E } e Im f = F.

Como consecuencia de este corolario, se deduce que, si E y F son dos espacios

vectoriales de dimensión finita y f : E → F es una aplicación lineal biyectiva, entonces

dim E = dim F.

Recíprocamente, si dim E = dim F, entonces la aplicación lineal f : E → F , cumple:

a) f es biyectiva ⇔ es inyectiva ( Ker f = {0E } )

b) f es biyectiva ⇔ es sobreyectiva (Im f = F).

Definición: Si la aplicación lineal está definida de un espacio vectorial E en sí mismo,

f : E → E , recibe el nombre de endomorfismo.

Corolario: Según lo anteriormente expuesto, si f : E → E endomorfismo y la dim E es

finita, entonces se cumple que

a) f es biyectiva ⇔ es inyectiva ( Ker f = {0E } )

b) f es biyectiva ⇔ es sobreyectiva (Im f = E).

Página 128
 Aplicaciones lineales

IV.5. EXPRESION MATRICIAL DE UNA APLICACION LINEAL. CAMBIO DE

BASE.

IV.5.1. Expresión matricial de una aplicación lineal

En este apartado se va a calcular la imagen de un vector x de E en función de las
coordenadas de dicho vector respecto a una base de E.

Sean E y F dos espacios vectoriales de dimensión finita sobre el mismo cuerpo K . Sea f

una aplicación lineal definida entre E y F. Sean U = {u1 , u2 , ⋯ , un } y

V = {v 1 , v 2 , ⋯ , v m } bases de E y F, respectivamente.

Si x es un vector de E, entonces

x = x1u1 + x2u2 + ⋯ + xnun

 x1 
 
x2
con lo que x U =  
⋮ 
 
 xn 

Entonces, la imagen de x puede expresarse de la forma siguiente

por ser f
lineal
f (x ) = f ( x1u1 + x2 u2 + ⋯ + xn u n ) = x1 f (u1 ) + x2 f (u2 ) + ⋯ + xn f (u n ) (1)

Es decir, la imagen del vector x es combinación lineal de las imágenes de los vectores
de la base U de E.

Los vectores f (x ), f (u1 ), f (u2 ),… , f (un ) pertenecen al espacio vectorial V. Si la

relación (1) se cumple, también se cumplirá la misma relación entre las coordenadas de
estos vectores en cualquier base de F, en nuestro caso la base V. Por tanto:

( f (x) )V = x1 ( f (u1 ) )V + x2 ( f (u2 ) )V + ⋯ + xn ( f (un ) )V

Y escribiendo la relación anterior como un producto matricial

Página 129
Aplicaciones lineales

 x1 
 

u1

u2

un
= ( ( f ( ) )V ⋯ ( f ( ) )V ) ⋅  2 
x
( f ( x ) )V (f( ) )V
⋮ 
 
 xn 

( f (x) )V = M VU ( f ) ⋅ x B (2)

Donde la matriz M VU ( f ) se llama matriz de f respecto a las bases U y V. Nótese que la

primera columna de M VU ( f ) está formada por las coordenadas (respecto a la base V),

de la imagen del primer vector de la base U; la segunda columna por las coordenadas
(respecto a la base V) de la imagen del segundo vector de la base U. En general, la j-
ésima columna está formada por las coordenadas (respecto a la base V) de la imagen
del j-ésimo vector de la base U.

M VU ( f ) es una matriz de orden m x n, si dim E = n y dim F = m.

Del resultado anterior se deduce que todas las aplicaciones lineales entre espacios
vectoriales de dimensión finita reales o complejos son equivalentes a la multiplicación
matricial de vectores coordenados. Esquemáticamente:

donde A es la matriz de f respecto a las bases U y V, es decir, M VU ( f ) .

Página 130
 Aplicaciones lineales

Ejemplo

Sea la aplicación

f:
3 →
2
v(t ) - v(0)
v(t ) → f (v ) =
t

(i) Hallar la matriz de f respecto a las bases U = 1 + t, { t+t 2 , t 2 + 1} de 3, y

V = {1 + t, 1 − t} de 2.

(ii) Empleando la expresión matricial de la aplicación lineal, obtener f (1 + t + t 2 )

Solución:

(i) La matriz de f respecto a las bases U y V es de la forma:

M VU ( f ) = (( f (1 + t) ) ( f (t + t ) ) ( f (t
V
2
V
2
+ 1) )
V
)
Calculemos ( f (1 + t) )V . Obsérvese que f(1+t) = 1 y este vector se expresa en función
de la base V como 1 = 0.5 (1+t) + 0.5 (1-t)

 0.5 
Luego ( f (1 + t) )V = (1)V =  
 0.5 

Por otra parte f (t + t 2 ) = 1 + t que en la base V se expresa como 1 + t = 1 (1+t) + 0 (l-i)

1
Luego ( f (t + t ) ) = (1 + t )
2
V
= 
V
0

Finalmente f (t 2 + 1) = t = 0.5 ( 1 + t ) – 0.5 ( 1 – t )

 0.5 
Luego ( f (t 2
+ 1) ) = ( t )V =  
V
 −0.5 

Por tanto la matriz de f respecto a las base U y V es

Página 131
Aplicaciones lineales

 0.5 1 0.5 
M VU ( f ) =  
 0.5 0 −0.5 

(ii) Sea v = 1+t+t2, que se expresa en la base U como

1+t+t2 = 0.5 (1+t) + 0.5 (t+t2) + 0.5 (t2+l)

luego

 0.5 
(1 + t + t )
2
U
 
=  0.5 
 0.5 
 

 0.5 
 0.5 1 0.5     1 
(
Por lo tanto M VU ( f ) ⋅ 1 + t + t 2 ) =
−  ⋅  0.5  =  0  = ( f (1 + t + t ) )V
2
U
 0.5 0 0.5   0.5   
 

siendo ( f (1 + t + t ) )
2
V
el vector coordenado, en la base V, de f (1 + t + t 2 ) . Según la

notación comentada anteriormente

 0.5 
 0.5 1 0.5     1 
M VU ( f ) ⋅ (1 + t + t 2 ) = A⋅ x =   ⋅  0.5  =  0  = y = ( f (1 + t + t ) )V ◄
2
U
 0.5 0 − 0.5   0.5   
 

Ejemplo

Sea la aplicación lineal

f: ℝ2 → ℝ2
x   -x 
x= 1 → f (x ) =  1 
 x2   - x2 

Se pide

(i) Hallar la matriz de f respecto a las bases canónicas.

(ii) Calcular f (z), donde z = (2 -3)t, utilizando la matriz de f

Página 132
 Aplicaciones lineales

Solución:

{
(i) Sea B = e1 = (1 0 )
t
e2 = ( 0 1)
t
} la base canónica de
. 2

Entonces

M BB ( f ) = ( CB ( f (e1 ) ) CB ( f (e2 ) ) )

Como

f ( e 1 ) = ( −1 0 ) = C B ( f ( e 1 ) )
t

f (e 2 ) = ( 0 −1) = CB ( f (e 2 ) )
t

 −1 0 
se tiene que M BB ( f ) =  
 0 −1 

(ii) Como CB ( f (z ) ) = M BB ( f ) ⋅ CB (z ) entonces

 −1 0   2   −2 
CB ( f ( z ) ) =     =   = f (z ) ◄
 0 −1  −3   3 

IV.5.2. Cambio de base: relación entre las matrices de una

aplicación lineal en bases distintas

Si se consideran ahora otras dos bases U ' = {u'1 , u'2 , ⋯ , u'n } y

V ' = {v'1 , v'2 , ⋯ , v'm } para E y F, respectivamente, según lo visto en el apartado

anterior la expresión de la aplicación lineal respecto de estas bases vendrá dada por

yV ' = M V 'U ' ( f ) ⋅ xU ' (3)

Por otra parte, teniendo en cuenta la relación que existe entre las coordenadas de un
vector de un espacio vectorial respecto a dos bases distintas vista en el Tema II,
sabemos que si x ∈ E y P es la matriz de paso (regular) de la base U de E a la base U'
de E, se tiene que

Página 133
Aplicaciones lineales

xU = P ⋅ xU ' (4)

Análogamente, si y ∈ F y Q es la matriz de paso (regular) de la base V de F a la base V'

de F

y V = Q ⋅ yV ' (5)

Según lo visto en el subapartado anterior, la expresión matricial de f respecto de las

bases U y V de E y F, respectivamente, viene dada por la ecuación (2)

yV = M VU ( f ) ⋅ xU

Esquemáticamente:

Si la matriz M VU ( f ) se representa como A1, la expresión (2) queda:

yV = A1 ⋅ xU (6)

Si la matriz M V 'U ' ( f ) se representa como A2 la expresión anterior resulta:

yV ' = A2 ⋅ xU ' (7)

Sustituyendo en (6) las expresiones (4) y (5) que relacionan las coordenadas de los
vectores en bases distintas se obtiene:

Q ⋅ yV ' = A1 ⋅ P ⋅ xU '

Premultiplicando por R-1 resulta:

Página 134
 Aplicaciones lineales

yV ' = Q −1 ⋅ A1 ⋅ P ⋅ xU ' (8)

Como la expresión matricial de una aplicación lineal, una vez elegidas una base para E y
otra para V, es única, las expresiones (7) y (8) han de ser iguales, con lo que se obtiene
que

A2 = Q -1 ⋅ A1 ⋅ P

o lo que es lo mismo M V 'U ' ( f ) = Q -1 ⋅ M VU ( f ) ⋅ P

Esta es la relación que verifican las matrices asociadas a una misma aplicación lineal f
cuando se cambian las bases de E y de F. Se dice que A1 y A2 son equivalentes, como
establece la siguiente definición.

Definición: Dos matrices A1 y A2 , ambas pertenecientes a Emxn (K ) , se dicen

equivalentes si están asociadas a una misma aplicación lineal de E en F (respecto de

bases adecuadas) o, lo que es lo mismo, si existen dos matrices regulares P y Q

cuadradas de orden n y m respectivamente , tales que A2 = Q -1 ⋅ A1 ⋅ P . Recordando la

teoría vista en el Tema I podemos decir que las matrices equivalentes A1 y A2 ,se
caracterizan también por tener la misma dimensión y rango.

En el caso particular en que E=F, es decir, en el caso de un endomorfismo se pueden

tomar iguales las bases U y V entre sí, así como las bases U’ y V’ entre sí, por lo que las
matrices de paso P y Q son idénticas. Esquemáticamente:

Así, la relación entre las matrices del endomorfismo f al cambiar de base en E es:

Página 135
Aplicaciones lineales

M U 'U ' ( f ) = P -1 ⋅ M UU ( f ) ⋅ P

O bien llamando A1 a la matriz M U U ( f ) y A2 a la matriz M U 'U ' ( f )

A2 = P -1 ⋅ A1 ⋅ P .

Se dice en este caso que las matrices A1 y A2 son semejantes, como establece la
siguiente definición.

Definición: Dos matrices cuadradas A1 y A2 , ambas pertenecientes a Enxn (K ) , se dicen

semejantes si están asociadas a un mismo endomorfismo (respecto de bases

adecuadas) , lo que equivale a que exista una matriz P regular , cuadrada de orden n,

tal que A2 = P -1 ⋅ A1 ⋅ P . Se observa que la semejanza de matrices es un caso particular

de la equivalencia; por lo tanto, las matrices semejantes también tienen la misma

dimensión y el mismo rango.

Observación 1 (sobre el rango de una aplicación lineal): es fácil darse cuenta de que el
rango de una aplicación lineal f (es decir, la dimensión del subespacio imagen de la
aplicación)es igual al rango de su matriz A asociada en cualquier pareja de bases U y V
de los espacios E y F, respectivamente. Es decir

Rang f = dim Im f = Rang A

Esto es así porque, como se ha visto anteriormente, si U = {u1 , u2 , ⋯ , un } es

base de E, entonces f (U ) = { f (u1 ), f (u2 ), ⋯ , f (un )} genera el subespacio

imagen de la aplicación: Im f = f (E), por lo que para obtener una base de Im f bastará
con extraer de este conjunto los vectores que sean linealmente independientes. Pero

las coordenadas de f (u1 ), f (u2 ), ⋯ , f (un ) (respecto de la base V) son

precisamente las columnas de la matriz A, por lo que el número de estos vectores que
son independientes (y por lo tanto el rango de f ) coincide con el rango de A.

Observación 2: nótese que, fijadas las bases, la matriz de una aplicación lineal es única,
si bien una aplicación lineal puede representarse mediante distintas matrices si se se
consideran diferentes bases. Cualquier aplicación lineal entre espacios vectoriales E y F

Página 136
 Aplicaciones lineales

de dimensiones n y m respectivamente, tiene asociada una matriz de dimensión mxn

en función de las bases de E y de F que se hayan elegido. Recíprocamente, dada una
matriz de dimensión mxn, cuyos elementos están definidos en un cierto cuerpo, es
posible encontrar una aplicación lineal que respecto a ciertas bases de los espacios
vectoriales considerados, tiene como matriz asociada la matriz dada.

Página 137
Aplicaciones lineales

Tema IV. Ejercicios

IV.1. Estudiar si las siguientes aplicaciones son lineales:

f : ℝ 2 → ℝ / f ( x1 , x2 ) = x12 ⋅ x2 2
a)

g : ℝ 3 → ℝ 3 / g ( x1 , x2 , x3 ) = (0, x2 , x3 )
b)

IV.2. En el espacio vectorial V de las matrices cuadradas de orden n sobre
se

considera la aplicación F : V → V / F ( A) = At + A .

Demostrar que F es lineal, calculando su nucleo y su imagen.

IV.3. Sea el endomorfismo:

f: V3 → V3
 x  −2 x + 4 y + 2 z 
   
 y  x + λ y + λz 
z  −x + 2 y + z 
   

a) Demostrar que Rango(f)=2 ∀ λ ∈

b) Hallar Ker(f) e Im(f)para λ=-2

IV.4. Sea V el espacio vectorial de las funciones reales de variable real con las
a
 
operaciones usuales. Si f : ℝ → V , es la aplicación que a cada terna  b  ∈ ℝ 3
3

c
 
a
 
le asocia la función f  b  = a ⋅ Sin 2 ( x) + b ⋅ Cos 2 ( x) + c , hallar una base de Ker(f)
c
 
y otra de Im(f), analizando si f es inyectiva, y si es sobreyectiva.

IV.5. Sean P3 y P2 los espacios vectoriales de los polinomios de grado menor o igual
que tres y dos respectivamente. Se define una aplicación:

T : P2 → P3
x
p → T ( p) = ∫0
p(t )dt

Se pide:

a) Hallar la matriz de la transformación.

Página 138
 Aplicaciones lineales

b) Hallar T (2 x 2 + 4 x) y el vector o vectores originales de x3 − 2 x 2 + 2 x

respecto de la transformación lineal T.

IV.6. En el espacio vectorial de los polinomios de grado menor o igual que tres:

{ }
a) Demostrar que 1, ( x + 1), ( x + 1) 2 , x3 forman una base.

b) Hallar las coordenadas del vector ( x + 1)3 en esta base.

c) Sea la plicación lineal f que a cada polinomio le hace corresponder su

derivada. Hallar la matriz de dicha aplicación en la base usual
B = {1, x, x 2 , x 3 } y también en la definida en el apartado a)

IV.7. Se considera el espacio vectorial V2 de las matrices cuadradas de orden 2 sobre

los números reales y el espacio P3 de los polinomios de coeficientes reales de
grado menor o igual que tres. Se define la aplicación:

x
f : V2 → P3 / ∀B ∈ V2 f ( B ) = (1 x ) B  2 
x 

Se pide:

a) Demostrar que es aplicación lineal.

b) Calcular la matriz A de f en las bases canónicas y dar bases de la imagen y del

núcleo.

c) Calcular el conjunto de matrices que se transforman en el polinomio

x3 + x 2 + 2 x

 x y 
IV.8. En el espacio vectorial: E = A =  / x , y , z , t ∈ ℝ  se define la
 z t  
transformación T de E en si mismo :

T: E → E
1 2 
A → T ( A) = M i A − Ai M ,siendo M =  
0 1 

Se pide:

a) ¿Es la transformación T lineal?

b) Ecuación matricial de la transformación.

c) Dimensión y base del núcleo de T: Ker(T)

Página 139
Aplicaciones lineales

d) Dimensión y base del subespacio imagen de T: Im(T)

e) Naturaleza de la transformación.

IV.9. Dada la aplicación lineal f : ℝ 4 → ℝ 3 que en la base canónica viene dada por la
 x1 
   x1 
 x2   
expresión f = x2  . Hallar la matriz A de la aplicación lineal en
 x3  
   − x1 + x2 + x3 
 x4 
las bases canónicas de
4 y
3. ¿Es inyectiva? ¿Es sobreyectiva? Si las
 1  0  0 1 
  1  0 1 
 1    son
coordenadas del vector x respecto de la base B ' =      
 0  0
 
1
 
1 
 
 0  0  0 1 
 2
 
1
CB ' ( x ) =   hallar su transformado, es decir f(x).
1
 
1

IV.10. En el espacio E3 de los vectores libres del espacio, se define una aplicación que
transforma un vector en su simétrico respecto del plano horizontal Z=0. Se pide:

a) Ecuación matricial de la transformación lineal y naturaleza de la misma.

b) Dimensión, base y ecuaciones cartesianas del subespacio imagen.

c) Dimensión, base y ecuaciones cartesianas del núcleo de la aplicación.

π
IV.11. A un cubo de arista unidad y colocado según la figura, se le aplica un giro de
2
radianes en el sentido positivo alrededor del eje Y y una traslación de vector
1
 
v =  2 .
 3
 

a) Calcular las coordenadas de los vértice A y B del cubo transformado,

escribiendo las ecuaciones matriciales del giro y la traslación efectuados.

b) ¿Se pueden considerar el giro y la traslación como aplicaciones lineales? ¿Y la

combinación de ambos?.

Página 140
 Aplicaciones lineales

IV.12. En el espacio afín tridimensional E3 de vectores libres se dan las referencias

ortonormadas de la figura, obteniéndose la base B’ a partir de la base B
mediante un giro de 45º alrededor de u3==u’3, siendo B = {u1 ,u2 ,u3 } y
B ' = {u'1 ,u'2 ,u'3 } .

Se pide:

a) Hallar la matriz de paso entre las bases, comprobando que es ortogonal.

b) Obtener en las dos bases B y B’ la matriz de la transformación lineal que

aplica E3 en sí mismo, haciendo corresponder a cualquier vector su simétrico
respecto del plano x1=0.

c) Relacionar mediante la matriz de paso las expresiones de la matriz de la

transformación T en ambas bases.

IV.13. Sean B = {e1 ,e 2 , e3 ,e 4 } y B ' = {e'1 ,e'2 ,e'3 } las bases canónicas de
4 y
3
respectivamente y sea la aplicación lineal f : ℝ 4 → ℝ 3 que verifica:

Ker ( f ) = Span {e1 , 3e2 +e3 }

f (e2 ) = e'1 + e'3

f (e1 + e2 + e3 + e 4 ) = e'2 − 2e'1 − 2e'3

Página 141
Aplicaciones lineales

a) Hallar la matriz de f en las bases canónicas.

b) Hallar el rango de f.

c) Hallar(obtener una base) el subespacio vectorial F de
4 de ecuaciones

 x = λ + 2µ
 y = −6 µ

paramétricas:  λ, µ ∈ ℝ
 z = − λ − 3µ
t = 2λ + 2 µ

Calcular una base de f(F).

IV.14. En el conjunto de los vectores libres del espacio se define una transformación
lineal T de modo siguiente:

T(v)=v ∀v perteneciente al plano x1 − x2 − x3 = 0

 0
 
El vector  1  pertenece al núcleo.
1
 

Se pide:

a) Transformados de los vectores de la base usual.

b) Ecuación matricial de la transformación y naturaleza de la misma.

c) Dimensión, base y ecuaciones de los subespacios núcleo e imagen.

IV.15. En el espacio vectorial E3 sobre
relativo a la base B = {e1 ,e 2 , e3 } se define

una transformación lineal T del siguiente modo:

1
 
- T (e3 ) =  1 
1
 
- El transformado del subespacio de ecuación x1-x2+x3=0 es el vector nulo.

Se pide:

a) Ecuación matricial y naturaleza de la transformación.

b) Dimensión, base y ecuaciones de Im T

c) Transformado (ecuaciones cartesianas )del subespacio S de ecuación

x1-x3=0, razonando la respuesta.

Página 142
 Aplicaciones lineales

d) Expresión de la transformación lineal en la base B ' = {e'1 ,e'2 ,e'3 } si

e'1 = e1 + e2 + e3

e'2 = e1 − e2
e' = e
 3 1

Página 143
Aplicaciones lineales

Tema IV. Soluciones Ej.

IV.1.

a) No.

b) Si.

IV.2. Ker F={ B∈Mnxn/B antisimétrica}

Im F={ B∈Mnxn/B simétrica}

 −2   2   2  
      
IV.3. b) BIm f =  1   −2   BKer f =  1  
 −1     0  
   1    

1
=  1  ; BIm f = {Sen 2 ( x), Cos 2 ( x)}
 
IV.4. BKer f
 −1 
 

f no es inyectiva, f no es sobreyectiva.

IV.5.

0 0 0
1 0 0 


a) A = 0 1

 0
 2 
0 0 1
 3 

2 3
b) T (2 x 2 + 4 x) = 2 x 2 + x
3

el vector original de x − 2 x + 2 x es 2 − 4 x + 3 x
3 2 2

IV.6.

a) …

Página 144
 Aplicaciones lineales

1
 
−3
b) C (( x + 1) )3
= 
3
 
1

0 1 0 3 0 1 0 0
   
0 0 2 −6  0 0 2 0
c) en la base del apartado a:  ; en la base usual:
0 0 0 3 0 0 0 3
   
0 0 0 0 0 0 0 0

IV.7.

a) …

0 0 0 0
1 0 0 0 
b) A = 
0 1 1 0
 
0 0 0 1

 0  0  0 
  0  0 
 1     0 1  
BIm f =     BKerf =  
 0  1  0  ;  −1 0  
 0     
0  1 

 2 b
c) B =  
1 − b 1 

IV.8.

a) Si

 y1   0 0 2 0   x1 
    
y2 −2 0 0 2   x2 
b)   = 
 y3   0 0 0 0   x3 
    
 y4   0 0 −2 0   x4 

 1 0   0 1  
c) Dim Ker T=2 BKer T =    
 0 1   0 0  

 0 −1  1 0  
d) Dim Im T=2 BIm T =    
 0 0   0 −1 

Página 145
Aplicaciones lineales

e) Endomorfismo no inyectivo y no sobreyectivo.

1 0 0 0 
 
IV.9. A = 0 1 0 0
 −1 1 1 0 
 

No es inyectiva

Es sobreyectiva

 3
 
f (x) =  4 
 3
 

IV.10.

 y1  1 0 0   x1 
    
a)  y2  = 0 1 0  x2  ; endomorfismo biyectivo.
 
 y  0 0 −1  x 
 3   3 

b) Im T=E3; una base de Im T será cualquier base de E3, no hay ecuaciones

cartesianas o implícitas para la Im T.

c) Ker T={0}; sus ecuaciones cartesianas son: x1=0; x2=0; x3=0.

IV.11.

 2 1
   
a) A ' =  3  ; B ' =  3 
 2  2
   

 x '  0 0 1 x 
    
Giro:  y '  =  0 1 0   y  ;
 z '   −1 0 0   z 
    

 x ''   x '   1 
     
Traslación:  y ''  =  y '  +  2 
 z ''   z '   3 
     

b) El giro si es una aplicación lineal, la traslación no y por tanto la composición

de ambos movimientos no puede ser una aplicación lineal.

Página 146
 Aplicaciones lineales

IV.12.

 2 2 
 − 0
 2 2 
 2 2 
a) P =  0  ; P ⋅ Pt = I
 2 2 
 0 0 1
 
 

 −1 0 0  0 1 0
   
b) AB =  0 1 0  , AB ' =  1 0 0 
 0 0 1 0 0 1
   

c) AB ' = P −1 ⋅ AB ⋅ P

IV.13.

 0 1 −3 0 
 
a) A =  0 0 0 1 
 0 1 −3 0 
 

b) Rango f=rango (A)=2

 1   2  
    
 0 6 
c) F=Span     
 −1  −3  
 2   2  

IV.14.

 1   1  0  
     
a) Tomando como base B* =  1 0 1 
    
 0   1  1  
     

 
1 0 0
1 0 0   
  1 1 −1 
AB* = 0 1 0  ; AB = 
2 2 2
0 0 0  1 −1 1
 
2 2 2

b) No es sobreyectiva y por lo tanto no es biyectiva.

Página 147
Aplicaciones lineales

   
 1   0 
   
 1  1  
c) Dim Im f=2; Ecuaciones cartesianas: y1-y2-y3=0; BIm f =  
 2   2 
 −1  
 1
 2   
 2 

 0  
  
Dim Ker f=1, Ecuaciones: x1=0 y x3-x2=0; BKerf =  1  
 1  
  

IV.15.

 y1  1 −1 1  x1 
    
a)  y2  = 1 −1 1  x2  , T no es ni inyectiva ni sobreyectiva.
 
 y  1 −1 1  x 
 3   3 

 1 
  
b) BIm T =  1  , Ecuaciones de Im T: y1=y2 ∧ y3=y2
 1 
  

 2   −1  
   
c) T(S)= Span  2   −1  ≡ Im T
 2   −1  
   

 y1  1 2 1   x1 
    
d)  y2  = 0 0 0  x2 
 
 y  0 0 0   x 
 3   3 

Página 148