TEMA 3: APLICACIONES LINEALES, MATRICES

Y DETERMINANTES

1 Aplicaciones entre espacios vectoriales

Definición 1. Dados dos espacios vectoriales V y W , ambos con el mismo cuerpo de
escalares K. Una aplicación f : V → W se dice lineal (u homomorfismo) si ∀ x, y ∈ V
y ∀ a, b ∈ K se verifica
f (ax + by) = af (x) + bf (y).
• Al conjunto de aplicaciones lineales de V en W , {f : V → W }, lo denotaremos por
L(V, W ).

• Al conjunto de aplicaciones lineales de V en V (W = V ) lo denotaremos por L(V ).

f ∈ L(V ) se denomina endorfismo en V (u operador lineal).

• Al conjunto de aplicaciones lineales de V en K lo denotaremos por V ∗ = L(V, K)

y se denomina espacio dual de V . Sus elementos f ∈ V ∗ se llaman formas
lineales en V .

Propiedades:
• Gracias a su definición, las aplicaciones lineales respetan la estructura de espacio
vectorial.

• Una combinación lineal de aplicaciones es una aplicación lineal. Es decir, sean

f, g : V → W , x, y ∈ V , y µ, λ, a, b escalares:

λf (ax + by) + µg(ax + by) = a(λf + µg)(x) + b(λf + µg)(y) ∈ W.

• También, una composición de aplicaciones lineales es una aplicación lineal. Es decir,

sean f : V → W , g : U → V , x, y ∈ U , y a, b escalares:

f [g(ax + by)] = f [ag(x) + bg(y)] = af [g(x)] + bf [g(y)] ∈ W , f ◦ g : U → W.

• f (0) = 0, donde el vector del miembro izquierdo es 0 ∈ V y el del miembro derecho

es 0 ∈ W . (Dem: f (x − x) = f (x) − f (x) = 0).

• f (−x) = −f (x).

Ejemplos:
• f : V −→ W
x 7−→ f (x) = 0, ∀ x ∈ V.

• f : V −→ V
x 7−→ f (x) = x, ∀ x ∈ V (operador identidad).

44
 • f : R2 −→ R3 definida por su actuación sobre la base canńonica del siguiente
modo: f (e1 ) = e2 y f (e2 ) = e3 . Entonces, sea x = (x1 , x2 ) ∈ R2 , tenemos que
f (x) = f (x1 e1 + x2 e2 ) = x1 e2 + x2 e3 = (0, x1 , x2 ).

• f : Rn −→ Rn
x 7−→ f (x) = x1 e1 , ∀ x = (x1 , · · · , xn ) ∈ Rn .
En efecto, f (ax + by) = (ax1 + by1 )e1 = af (x) + bf (y).

• f : Rn −→ Rn
si x1 > 0
(
x1 e1
x −
7 → f (x) = .
0 si x1 ≤ 0
Esta aplicación no es lineal: sea x = (x1 , · · · ) con x1 > 0, entonces f (−x) = 0 6=
−f (x) = −x1 e1 .

• f : K −→ K
a 7−→ fλ (a) = λ a con λ ∈ K.
De hecho en este caso K → K todas las aplicaciones lineales son de esa forma:
f (ab) = af (b) = bf (a), entonces f (a)/a = f (b)/b = f (1) ≡ λ =⇒ f (a) = λ a.

• f : C −→ C
z 7−→ f (z) = z̄.
Es una aplicación lineal con C espacio vectorial sobre R: f (az + bu) = az̄ + bū =
af (z) + bf (u) ∀ a, b ∈ R , ∀ z, u ∈ C.
Pero no es aplicación lineal con C espacio vectorial sobre sí mismo: si a ∈ C,
f (az) = āz̄ 6= af (z).

• f : M n×n (K) −→ K
A 7−→ f (A) = det(A)
No es una aplicación lineal (det(A + B) 6= det(A) + det(B) en general).

Algunas propiedades elementales:

• Sea f : V → W una aplicación lineal, entonces

p p
X X
f( λi xi ) = λi f (xi ) ∀xi ∈ V , ∀λi ∈ K (i = 1 · · · , p).
i=1 i=1

Por tanto si {x1 , x2 , · · · , xp } ∈ V es un conjunto de vectores linealmente depen-

dientes entonces {f (x1 ), f (x2 ), · · · , f (xp )} ∈ W también son linealmente dependi-
entes. En cambio, no es siempre cierto para conjuntos linealmente independientes.

45
 • Dada una base B = {v1 , · · · , vn } de V y un conjunto de vectores {w1 , · · · , wn } ∈
W , existe una única f ∈ L(V,P W ) tal P que f (vi ) = wi (podrían repetirse los wi ).
En efecto, definimos f (x = i ci vi ) = i ci wi , que es lineal y tal P
que f (vi ) = wi .
Veamos que es única: si g(vi ) = wi con g lineal =⇒ g(x) = i ci wi = f (x)
∀x ∈ V −→ Unicidad de la caracterización de f mediante su acción sobre una base.

• Si V1 es subespacio de V y f : V → W es lineal =⇒ f (V1 ) es subespacio de W .

Demostración: Sean x, y ∈ V1 =⇒ ax+by ∈ V1 ∀ a, b. Entonces f (x), f (y) ∈ f (V1 )
y tenemos que af (x) + bf (y) = f (ax + by) ∈ f (V1 ) ∀ a, b.

• Si W1 es subespacio de W , f : V → W y existe f −1 : W1 → V entonces f −1 (W1 ) es

subespacio de V .
Nota: la aplicación inversa f −1 es tal que, si f (x) = y,

f −1 ◦ f (x) = x , f ◦ f −1 (y) = y.

Nótese que no está definida necesariamente sobre todo W : no todo y tiene por qué
ser imagen de algún x, y no se cumple necesariamente que f (x1 ) 6= f (x2 ) si x1 6= x2 .
Demostración: Sean f (x1 ) = y1 , f (x2 ) = y2 ∈ W1 , f −1 (W1 ) 3 f −1 (ay1 + by2 ) =
f −1 (af (x1 )+bf (x2 )) = ax1 +bx2 = af −1 (y1 )+bf −1 (y2 ) =⇒ af −1 (y1 )+bf −1 (y2 ) ∈
f −1 (W1 ) para todo y1 , y2 ∈ W1 .

• Si S ⊂ V es un conjunto no vacío =⇒ lin(f (S)) = f (lin(S)).

(obvio por la linealidad de f ).

2 Núcleo e imagen
Asociados a toda aplicación lineal f : V → W hay dos subespacios vectoriales que
desempeñan un papel destacado:

Definición 2. Núcleo de f :

ker f = {x ∈ V, f (x) = 0 ∈ W } = f −1 (0) ⊂ V.

Definición 3. Imagen de f :

im f = {y ∈ W, y = f (x) ∀x ∈ V } = f (V ) ⊂ W.

Nótese que W 3 0 ∈ im f , y V ∈ 0 ∈ ker f .

Ejercicio: probar que f 2 = 0 ⇐⇒ im f ⊂ ker f para f : V → V y dar un ejemplo que

no sea f = 0.

⇒) Si f 2 = 0, sea y ∈ im f =⇒ ∃ x , f (x) = y =⇒ f (y) = f 2 (x) = 0 =⇒

y ∈ ker f .

46
 ⇐) Si im f ⊂ ker f =⇒ ∀ x ∈ V , f (x) ∈ im f =⇒ f (f (x)) = 0.
Ejemplo: f : R2 −→ R2 tal que f (e1 ) = e2 , f (e2 ) = 0. Tenemos que im f = lin {e2 } y
ker f = im f .

Las dimensiones de estos subespacios se denominan

• Rango de f : r(f ) = dim(im f ).
• Defecto o nulidad de f : nul f = dim(ker f ).

Teorema 1. Teorema de las dimensiones: si dim V < ∞ tenemos que

r(f ) + nul f = dim V.

Demostración: Si dim V < ∞ =⇒ ∞ > nul f ≡ p. Sea B = {u1 , · · · , up } una base de

ker f . Completando esta base con cierto sistema de vectores S = {ū1 , · · · , ūq } se obtiene
una base B ∪ S de V . Dado que B ∪ S es sistema generador de V , se tiene que f (B ∪ S)
es sistema generador de f (V ). Como f (u1 ) = · · · = f (up ) = 0, resulta que los q vectores
w1 = f (ū1 ), · · · , wq = f (ūq ) forman un sistema generador de f (V ). Si se demuestra que
{w1 , · · · , wq } son linealmente independientes, entonces formarían una base de f (V ) y por
tanto r(f ) = q =⇒ p + q = dim V .
Falta entonces demostrar que {w1 , · · · , wq } son linealmente independientes. Supong-
amos que µ1 w1 + · · · + µq wq = 0 para ciertos µi ∈ K. De ser así, como wi = f (ūi ) y f es
lineal, se obtiene que 0 = f (µ1 ū1 + · · · + µq ūq ), luego µ1 ū1 + · · · + µq ūq ∈ ker f , y por
ello es combinación lineal de los vectores de B:
∃ λ1 , · · · , λp tal que λ1 u1 + · · · + λp up + µ1 ū1 + · · · + µq ūq = 0.
Ahora bien, como B ∪S es libre, de la última relación se deduce que todos esos coeficientes
escalares deben ser nulos, y en particular µ1 = · · · = µq = 0, de lo que se deduce que en
efecto {w1 , · · · , wq } son linealmente independientes.

Definición 4. Una aplicación lineal f ∈ L(V, W ) se dice inyectiva si ∀ x1 , x2 ∈ V ,
f (x1 ) = f (x2 ) =⇒ x1 = x2 .

Propiedad: f inyectiva ⇐⇒ ker f = {0}.

O equivalentemente: f inyectiva si la única solución a f (x) = 0 es x = 0 (nul f = 0).

Demostración:
⇒) Sea f inyectiva y x ∈ ker f =⇒ f (x) = f (−x) = 0 =⇒ x = −x =⇒ x = 0.
⇐) Sean x1 , x2 ∈ V , f (x1 ) = f (x2 ) =⇒ f (x1 − x2 ) = 0 =⇒ x1 − x2 = 0 =⇒
x1 = x2 .

47
Definición 5. Una aplicación lineal f ∈ L(V, W ) se dice suprayectiva (o sobreyec-
tiva)si
∀ y ∈ W, ∃ x ∈ V tal que f (x) = y.

Propiedad: f suprayectiva ⇐⇒ im f = W (por definición).

Definición 6. Una aplicación lineal f ∈ L(V, W ) se dice biyectiva (o isomorfismo)

si es inyectiva y sobreyectiva.

Dicha f relaciona uno-a-uno los elementos de V con los de W .

Propiedades:

• f : V → W isomorfismo ⇐⇒ ker f = {0} y im f = W .

• f : V → W isomorfismo. Existe una única aplicación lineal f −1 : W → V

(todo y ∈ W es imagen de algún x ∈ V : f −1 (y) = x).

Ejemplos:

• f : R2 → R2 definida por f (e1 ) = e1 + e2 , f (e2 ) = 2e1 + e2 .

Entonces, dado x = x1 e1 + x2 e2 , tenemos f (x) = x1 (e1 + e2 ) + x2 (2e1 + e2 ) =
(x1 + 2x2 )e1 + (x1 + x2 )e2 .
(
x1 + 2x2 = 0
i) f (x) = 0 ⇐⇒ ⇐⇒ x1 = x2 = 0 =⇒ ker f = {0}.
x1 + x2 = 0
=⇒ f es inyectiva.
( (
x1 + 2x2 = y1 x1 = 2y2 − y1
ii) y = y1 e1 + y2 e2 , y = f (x) ⇐⇒ →
x1 + x 2 = y 2 x2 = y 1 − y 2

=⇒ ∀ y ∈ R2 , ∃ x tal que f (x) = y =⇒ im f = R2 =⇒ f sobreyectiva.

=⇒ f biyectiva. nul f = 0, r(f ) = 2.

• g : R3 → R2 , definida por g(e1 ) = 0, g(e2 ) = e1 + e2 , g(e3 ) = e1 − e2 .

Entonces, dado x = x1 e1 + x2 e2 + x3 e3 , tenemos g(x) = x2 (e1 + e2 ) + x3 (e1 − e2 ) =
(x2 + x3 )e1 + (x2 − x3 )e2 .
(
x2 + x3 = 0
i) g(x) = 0 ⇐⇒ ⇐⇒ x2 = x3 = 0 =⇒ ker g = lin{e1 }.
x2 − x3 = 0
=⇒ g no es inyectiva.

48
 ( (
y1 +y2
x2 + x 3 = y 1 x2 =
ii) y = y1 e1 + y2 e2 , y = f (x) ⇐⇒ → 2
y1 −y2
x2 − x3 = y 2 x3 = 2

=⇒ ∀ y ∈ R2 , ∃ x tal que g(x) = y =⇒ im g = R2 =⇒ g sobreyectiva.

=⇒ g no es biyectiva. nul g = 1, r(g) = 2.

• h : R3 → R2 , definida por h(e1 ) = 0, h(e2 ) = e1 + e2 , h(e3 ) = 3e1 + 3e2 .

Entonces, dado x = x1 e1 + x2 e2 + x3 e3 , tenemos h(x) = (x2 + 3x3 )e1 + (x2 + 3x3 )e2 .

i) h(x) = 0 ⇐⇒ x2 +3x3 = 0 ⇐⇒ x2 = −3x3 =⇒ x = (x1 , −3x3 , x3 ) =⇒

ker h = lin{e1 , 3e2 − e3 } =⇒ h no es inyectiva. nul h = 2.

ii) y = h(x) ⇐⇒ x2 + 3x3 = y1 = y2 =⇒ im h = lin{e1 + e2 } 6= R2

=⇒ h no es sobreyectiva. r(h) = 1.

Teorema 2. Sea S = {x1 , · · · , xk }. Si f (S) es linealmente dependiente y f es inyectiva

=⇒ S es linealmente dependiente.
 
Demostración: f (x1 ) = ki=1 αi f (xi ) =⇒ f x1 − ki=1 αi xi = 0. Esto, junto con
P P

el hecho de que f inyectiva =⇒ x1 = ki=1 αi xi .

P


Ya podemos ver también cuándo una aplicación lineal transforma conjuntos de vec-
tores linealmente independientes en conjuntos de vectores linalmente independientes:

Teorema 3. Si f : V → W es inyectiva y V 3 S = {x1 , · · · , xk } es libre =⇒ f (S) es

libre.
P 
Demostración: Sea = 0. Como f es inyectiva =⇒
Pk k
i=1 αi f (xi ) = f i=1 αi xi

i=1 αi xi = 0. La única solución a tal igualdad es αi = 0 para todo i = 1, · · · , k

Pk
porque {x1 , · · · , xk } es un conjunto de vectores linealmente independientes. Por tanto,
también tenemos que el conjunto {f (x1 ), · · · , f (xk )} es libre, porque la única solución a
i=1 i (xi ) = 0 es αi = 0 para todo i = 1, · · · , k.
Pk
α f


Teorema 4. Si f : V → W es suprayectiva y V = lin S =⇒ lin[f (S)] = W .

Demostración: lin[f (S)] = f (lin S) = f (V ) = W .



49
Corolario 1. Si f : V → W es un isomorfismo y B es base de V =⇒ f (B) es base de W .

De hecho se tiene:
Teorema 5. f : V → W isomorfismo y B base de V ⇐⇒ f (B) base de W .

Demostración:
Pn
⇐) B = {x 1 , · · · , xn }. x ∈ ker f =⇒ f (x) = 0 =⇒ f ( i=1 αi xi ) = 0 =⇒
por ser los linealmente independientes
Pn
α
i=1 i f (x i ) = 0 =⇒ α i = 0 ∀ i f (x i )
=⇒ ker f = {0}, o sea f es inyectiva.
Por otro lado, im f = f (V ) = f (lin B) = lin[f (B)] = W =⇒ f es suprayectiva,
y por tanto isomorfismo.

Consecuencia: Dos espacios vectoriales V y W son isomorfos (V ≈ W ), es decir existe
un isomorfismo f : V → W , si y solo si dim V = dim W .

En efecto, tenemos que si f es isomorfismo las bases de V deben tener el mismo

número de elementos que las de W . Y dadas bases de V y de W , BV = {x1 , · · · , xn } y
BW = {y1 , · · · , yn }, la aplicación f definida como f (xi ) = yi para todo i = 1, · · · , n es
isomorfismo.

Este resultado es de fundamental importancia porque permite identificar espacios vec-

toriales isomorfos y clasificarlos en clases de equivalencia.

Además:
Teorema 6. Si f : V → W y dim V = dim W , basta con que f sea inyectiva para
asegurar que es isomorfismo: f inyectiva ⇐⇒ f suprayectiva ⇐⇒ f biyectiva.

Demostración:
⇒) Si f es inyectiva, dada una base BV = {v1 , · · · , vn } de V , tenemos que BW =
{f (v1 ), · · · , f (vn )} es base de W , y por tanto cualquier vector y ∈ W se puede
escribir como combinación lineal de los vectores de BW , así que f es suprayectiva,
y por tanto biyectiva.
⇐) Si f es suprayectiva, dada una base BV = {v1 , · · · , vn } de V , lin{f (v1 ), · · · , f (vn )} =
W , así
Pnque {f (v1 ), · · · , f (vn )} es base de W (tieneP
n elementos),Py por tanto, dado
x = i=1 xi vi ∈ ker f , tenemos que 0 = f (x) = f ( ni=1 xi vi ) = ni=1 xi f (vi ) ⇐⇒
xi = 0 ∀ i =⇒ f inyectiva.

Ejemplo: R2 ≈ R1 [x]
Un posible isomorfismo lo proporciona la aplicación lineal
f : R2 −→ R1 [x]
x = (x1 , x2 ) 7−→ f (x) = x1 + x2 x.

50
Nótese que en la base canónica de R2 , el vector x tiene coordenadas
 
x1
,
x2

y en la base {1, x} de R1 [x], f (x) tiene coordenadas

 
x1
,
x2

es decir las mismas, lo que hace explícito que los vectores de ambos espacios se pueden
identificar uno-a-uno, y que por tanto ambos espacios sean isomorfos.

Propiedad: Si f ∈ L(V, W ) y g ∈ L(W, U ) son biyectivas entonces la composición

g ◦ f ∈ L(V, U ) es biyectiva y (g ◦ f )−1 = f −1 ◦ g −1 .

Demostración:
• Por ser g y f inyectivas tenemos que ker f = 0 ∈ V y ker g = 0 ∈ W . Dado
x ∈ ker g ◦ f =⇒ g[f (x)] = 0 =⇒ f (x) ∈ ker g =⇒ f (x) = 0 =⇒ x = 0 =⇒
g ◦ f inyectiva.

• Sea y ∈ U . Como g es suprayectiva, ∃ z ∈ W tal que g(z) = y. Como f es

suprayectiva, ∃ x ∈ V tal que f (x) = z =⇒ y = g[f (x)] =⇒ g ◦ f suprayectiva.

• Si g f (x) = y =⇒ f −1 g −1 [g f (x)] = x =⇒ (g f )−1 = f −1 g −1 .



Propiedad: Dado un espacio vectorial V , el conjunto de todos los operadores lineales

biyectivos sobre V , con la composición de aplicaciones como operación interna, forman un
grupo (la composición es asociativa, ∃ elemento neutro: f (x) = x, ∃ inverso de f : f −1 ),
denominado Grupo General Lineal, GL(V ). Si V = Kn se usa la notación GL(n, K).

3 Matriz de una aplicación lineal en dos bases

Sea f ∈ L(V, W ), BV = {v1 , · · · , vn } base de V , BW = {w1 , · · · , wm } base de W , ya
hemos visto que f queda unívocamente determinada dando su acción sobre una base:
m
X
f (vj ) = Fij wi ↔ f (V ) = W · F,
i=1

con
 
F11 · · · F1n
 F21 · · · F2n 
F = (Fij ) =  .. . . ..  , f (V ) = (f (v1 ), · · · , f (vn )) , W = (w1 , · · · , wm ) .
 
 . . . 
Fm1 · · · Fmn

51
Vemos que, dado el vector vj ∈ V de la base BV , la columna j-ésima de la matriz F son
las coordenadas del vector f (vj ) ∈ W en la base BW . Obtenemos así una representación
matricial de la aplicación lineal f : F se llama la matriz de la aplicación lineal f en las
bases BV y BW .

Además, dado un vector cualquiera x ∈ V .

n n n m m
" n #
X X X X X X
x= xj vj → f (x) = xj f (vj ) = xj Fij wi = Fij xj wi .
j=1 j=1 j=1 i=1 i=1 j=1

Llamando f (x) = y = m i=1 yi wi , encontramos que las coordenadas de y en la base BW

P
están relacionadas con las coordenadas de x en la base BV mediante
   
n y 1 x1
 ..   .. 
Fij xj ↔ Y = F X , con Y =  .  , X =  .  .
X
yi =
j=1 ym xm

Si no decimos nada, por defecto entenderemos que BV y BW son las bases canónicas.
Además, para operadores lineales f ∈ L(V ) lo normal es usar la misma base en la imagen
que en el espacio de partida.

Ejemplos:
• f : R2 → R2 dada por f (e1 ) = e1 + e2 y f (e2 ) = 2e1 + e2 .
En la base canónica de R2 (BV = {e1 , e2 } y BW = {e1 , e2 }), la matriz de f es
 
12
F = .
11

Sin embargo si tomamos BV = {e1 , e2 }, pero para la imagen BW = {e1 +e2 , 2e1 +e2 },
tenemos que la matriz de f en estas bases es
 
10
F = .
01

• g : R3 → R2 dada por g(e1 ) = 0, g(e2 ) = e1 + e2 y g(e3 ) = e1 − e2 .

En las bases canónicas de R3 y R2 la matriz de g es
 
01 1
G= .
0 1−1

• h : R3 → R2 dada por h(e1 ) = 0, h(e2 ) = e1 + e2 y h(e3 ) = 3e1 + 3e2 .

En las bases canónicas de R3 y R2 la matriz de h es
 
0 13
H= .
0 13

52
Ejemplo:
Sea la aplicación lineal cuya matriz en las bases canónicas de R2 es
 
1 1−1
F =√ .
2 1 1
 
x1
Dado un vector de coordenadas (en la base canónica) X = , el transformado de él
x2
bajo dicha aplicación es el vector de coordenadas
      
y1 1 1−1 x1 1 x1 − x2
Y = FX → =√ =√ .
y2 2 1 1 x2 2 x 1 + x2
Esta aplicación queda definida por f (e1 ) = √12 (1, 1) y f (e2 ) = √12 (−1, 1), y por tanto
y = f (x) = x1 f (e1 ) + x2 f (e2 ) con x = (x1 , x2 ). Nótese que la norma de f (x) es igual a
la de x: f resulta ser una rotación de ángulo π/4.

Ejercicio:
Hallar bases del núcleo y de la imagen de la aplicación lineal f : R4 → R3 cuya acción
sobre la base canónica de R4 es
f (e1 ) = (1, −1, 2) , f (e2 ) = (2, 1, 1) , f (e3 ) = (4, −1, 5) , f (e4 ) = (−1, −5, 4) .
En las bases canónicas de R4 y R3 , la ecuación matricial Y = F X de esta aplicación
lineal es  
    x1
y1 1 2 4 −1  
y2  = −1 1 −1 −5 x2  .
x3 
y3 2 1 5 4
x4
El núcleo lo forman las soluciones de f (x) = 0, que escrito en coordenadas es el sistema
homogéneo 0 = F X. Lo resolvemos por eliminación gausiana:
1 2 4 −1 1 2 4 −1 1 2 4 −1 102 3
x1 = −2x3 − 3x4
−1 1 −1 −5 → 0 3 3 −6 → 0 1 1 −2 → 0 1 1 −2 →
x2 = −x3 + 2x4
2 1 5 4 0 3 3 −6 000 0 000 0
Por tanto los vectores del núcleo son de la forma (−2a − 3b, −a + 2b, a, b). Una base es
por ejemplo {(−2, −1, 1, 0), (−3, 2, 0, 1)}, y por tanto
ker f = lin{(−2, −1, 1, 0), (−3, 2, 0, 1)}.
La imagen es el subespacio de R3 generado por {f (e1 ), f (e2 ), f (e3 ), f (e4 )}. Busquemos
una base dentro de ese conjunto de vectores:
1 −1 2 1 −1 2 1 −1 2
2 1 1 0 3 −3 0 1 −1
→ → ,
4 −1 5 0 3 −3 0 0 0
−1 −5 4 0 −6 6 0 0 0
así que
im f = lin{(1, −1, 2), (2, 1, 1)},
ó
im f = lin{(1, −1, 2), (0, 1, −1)}.

53
3.1 Matriz de una composición de aplicaciones
Sean f ∈ L(V, W ), g ∈ L(W, U ), h = g ◦ f ∈ L(V, U ), es decir h : V − → U, y sean
f g
→W −
las bases BV = {v1 , · · · , vn }, BW = {w1 , · · · , wm }, BU = {u1 , · · · , up }. En dichas bases
la matriz de f es F , la de g es G y la de h es H. Entonces ∀ j = 1, · · · , n tenemos
p
m
! m m
!
X X X X
h(vj ) = g[f (vj )] = g Fij wi = Fij g(wi ) = Fij Gki uk
i=1 i=1 i=1 k=1
p m
!
X X
= Gki Fij uk ,
k=1 i=1

por otra parte

p
X
h(vj ) = Hkj uk .
k=1

Concluimos por tanto la relación

m
!
X
Hkj = Gki Fij → H = GF,
i=1

es decir, la matriz correspondiente a la composición de aplicaciones gf se obtiene mul-

tipicando las matrices GF . De hecho, ¡ésta es la razón por la que hemos definido así el
producto de matrices!

En particular, si f es biyectiva =⇒ la matriz de f −1 es F −1 (manteniendo la misma

elección de bases).

3.2 Cambio de base para aplicaciones lineales

Sea un espacio vectorial V con bases BV = {v1 , · · · , vn } y BV0 = {v10 , · · · , vn0 }, y sea P la
matriz de cambio de base de BV a BV0 (X 0 = P −1 X).
Sea un espacio vectorial W con bases BW = {w1 , · · · , wn } y BW 0
= {w10 , · · · , wn0 }, y
sea Q la matriz de cambio de base de BW a BW 0
(Y 0 = Q−1 Y ).
Sea f ∈ L(V, W ) con matriz F en las bases BV y BW , y con matriz F 0 en las bases BV0
y BW0
. Veamos cómo se relacionan F y F 0 a través de las matrices del cambio de base.
Por una parte tenemos que Y = F X, y por otra

Y 0 = F 0X 0 → Q−1 Y = F 0 P −1 X → Y = QF 0 P −1 X.

Comparando concluimos

F = QF 0 P −1 ↔ F 0 = Q−1 F P.

Se entiende con el siguiente diagrama (para las coordenadas), donde las dobles flechas se
corresponden con aplicaciones y no son necesariamente invertibles, y las flechas simples
son cambios de base:

54
 F
<latexit sha1_base64="huGjp/7X5D20y8rcIf/3porI4o0=">AAAB6HicbVBNS8NAEJ34WetX1aOXxSJ4KomIeiwK4rEF+wFtKJvtpF272YTdjVBCf4EXD4p49Sd589+4bXPQ1gcDj/dmmJkXJIJr47rfzsrq2vrGZmGruL2zu7dfOjhs6jhVDBssFrFqB1Sj4BIbhhuB7UQhjQKBrWB0O/VbT6g0j+WDGSfoR3QgecgZNVaq3/VKZbfizkCWiZeTMuSo9Upf3X7M0gilYYJq3fHcxPgZVYYzgZNiN9WYUDaiA+xYKmmE2s9mh07IqVX6JIyVLWnITP09kdFI63EU2M6ImqFe9Kbif14nNeG1n3GZpAYlmy8KU0FMTKZfkz5XyIwYW0KZ4vZWwoZUUWZsNkUbgrf48jJpnle8y4pXvyhXb/I4CnAMJ3AGHlxBFe6hBg1ggPAMr/DmPDovzrvzMW9dcfKZI/gD5/MHnGmM0A==</latexit>

BV =) BW
<latexit sha1_base64="FqFj2UAhg7hESYCo1GPzkyYVt+w=">AAACDnicbVDLSsNAFJ3UV62vqEs3g6XgQkoioi5L3bisYB/QhDCZTtqhM5MwMxFK6Be48VfcuFDErWt3/o2TNovaeuDC4Zx7ufeeMGFUacf5sUpr6xubW+Xtys7u3v6BfXjUUXEqMWnjmMWyFyJFGBWkralmpJdIgnjISDcc3+Z+95FIRWPxoCcJ8TkaChpRjLSRArvmcaRHGDHYDDrQO4ce5WYvUXDB6AZ21ak7M8BV4hakCgq0AvvbG8Q45URozJBSfddJtJ8hqSlmZFrxUkUShMdoSPqGCsSJ8rPZO1NYM8oARrE0JTScqYsTGeJKTXhoOvMb1bKXi/95/VRHN35GRZJqIvB8UZQyqGOYZwMHVBKs2cQQhCU1t0I8QhJhbRKsmBDc5ZdXSeei7l7V3fvLaqNZxFEGJ+AUnAEXXIMGuAMt0AYYPIEX8AberWfr1fqwPuetJauYOQZ/YH39AjkGmvU=</latexit>

1
<latexit sha1_base64="Ef/WTq/Hki80Dwvuu3WDZmi2qN8=">AAAB7XicbVBNSwMxEJ34WetX1aOXYBG8WHZF1GPRi8cK9gPatWTTbBubTZYkK5Sl/8GLB0W8+n+8+W9M2z1o64OBx3szzMwLE8GN9bxvtLS8srq2Xtgobm5t7+yW9vYbRqWasjpVQulWSAwTXLK65VawVqIZiUPBmuHwZuI3n5g2XMl7O0pYEJO+5BGnxDqpUXvITv1xt1T2Kt4UeJH4OSlDjlq39NXpKZrGTFoqiDFt30tskBFtORVsXOykhiWEDkmftR2VJGYmyKbXjvGxU3o4UtqVtHiq/p7ISGzMKA5dZ0zswMx7E/E/r53a6CrIuExSyySdLYpSga3Ck9dxj2tGrRg5Qqjm7lZMB0QTal1ARReCP//yImmcVfyLin93Xq5e53EU4BCO4AR8uIQq3EIN6kDhEZ7hFd6QQi/oHX3MWpdQPnMAf4A+fwD+Go7A</latexit>

P 1
<latexit sha1_base64="HLTop4MQ8c1dYp0E98tTxrXWb+4=">AAAB7XicbVBNSwMxEJ2tX7V+VT16CRbBi2VXRD0WvXhswX5Au5Zsmm1js8mSZIWy7H/w4kERr/4fb/4b03YP2vpg4PHeDDPzgpgzbVz32ymsrK6tbxQ3S1vbO7t75f2DlpaJIrRJJJeqE2BNORO0aZjhtBMriqOA03Ywvp367SeqNJPi3kxi6kd4KFjICDZWajUe0jMv65crbtWdAS0TLycVyFHvl796A0mSiApDONa667mx8VOsDCOcZqVeommMyRgPaddSgSOq/XR2bYZOrDJAoVS2hEEz9fdEiiOtJ1FgOyNsRnrRm4r/ed3EhNd+ykScGCrIfFGYcGQkmr6OBkxRYvjEEkwUs7ciMsIKE2MDKtkQvMWXl0nrvOpdVr3GRaV2k8dRhCM4hlPw4ApqcAd1aAKBR3iGV3hzpPPivDsf89aCk88cwh84nz//o47B</latexit>

P
<latexit sha1_base64="FLmIyDLkKBJGMSCZJa29LRHj2Qs=">AAAB6HicbVDLSgMxFL1TX7W+qi7dBIvgqsyIVJdFNy5bsA9oB8mkd9rYTGZIMkIZ+gVuXCji1k9y59+YtrPQ1gOBwznnkntPkAiujet+O4W19Y3NreJ2aWd3b/+gfHjU1nGqGLZYLGLVDahGwSW2DDcCu4lCGgUCO8H4duZ3nlBpHst7M0nQj+hQ8pAzaqzUbDyUK27VnYOsEi8nFchh81/9QczSCKVhgmrd89zE+BlVhjOB01I/1ZhQNqZD7FkqaYTaz+aLTsmZVQYkjJV90pC5+nsio5HWkyiwyYiakV72ZuJ/Xi814bWfcZmkBiVbfBSmgpiYzK4mA66QGTGxhDLF7a6EjaiizNhuSrYEb/nkVdK+qHq1qte8rNRv8jqKcAKncA4eXEEd7qABLWCA8Ayv8OY8Oi/Ou/OxiBacfOYY/sD5/AGrkYza</latexit>

Q Q
<latexit sha1_base64="wcHHGyAeAwPZicrrEneyjqN6PVU=">AAAB6HicbVBNS8NAEJ3Ur1q/qh69LBbBU0lE1GPRi8cW7Ae0oWy2k3btZhN2N0IJ/QVePCji1Z/kzX/jts1BWx8MPN6bYWZekAiujet+O4W19Y3NreJ2aWd3b/+gfHjU0nGqGDZZLGLVCahGwSU2DTcCO4lCGgUC28H4bua3n1BpHssHM0nQj+hQ8pAzaqzUaPTLFbfqzkFWiZeTCuSo98tfvUHM0gilYYJq3fXcxPgZVYYzgdNSL9WYUDamQ+xaKmmE2s/mh07JmVUGJIyVLWnIXP09kdFI60kU2M6ImpFe9mbif143NeGNn3GZpAYlWywKU0FMTGZfkwFXyIyYWEKZ4vZWwkZUUWZsNiUbgrf88ippXVS9q6rXuKzUbvM4inACp3AOHlxDDe6hDk1ggPAMr/DmPDovzrvzsWgtOPnMMfyB8/kDrRWM2w==</latexit>

BV0 =) BW
0
<latexit sha1_base64="Z+FN+JCklUGYXqqcSxXdyZWivXE=">AAACEHicbVDLSsNAFJ34rPUVdelmsEhdSElE1GWpG5cV7AOaECbTSTt0ZhJmJkIJ/QQ3/oobF4q4denOv3HSZlFbD1w4nHMv994TJowq7Tg/1srq2vrGZmmrvL2zu7dvHxy2VZxKTFo4ZrHshkgRRgVpaaoZ6SaSIB4y0glHt7nfeSRS0Vg86HFCfI4GgkYUI22kwK56HOkhRgw2qkEbeufQo9wsJgrOO53Arjg1Zwq4TNyCVECBZmB/e/0Yp5wIjRlSquc6ifYzJDXFjEzKXqpIgvAIDUjPUIE4UX42fWgCT43Sh1EsTQkNp+r8RIa4UmMems78SLXo5eJ/Xi/V0Y2fUZGkmgg8WxSlDOoY5unAPpUEazY2BGFJza0QD5FEWJsMyyYEd/HlZdK+qLlXNff+slJvFHGUwDE4AWfABdegDu5AE7QABk/gBbyBd+vZerU+rM9Z64pVzByBP7C+fgEOK5tX</latexit>

F0
<latexit sha1_base64="FSCTg/lShY7H2wgjQESp4khA5mg=">AAAB6XicbVBNS8NAEJ34WetX1aOXxSJ6KomIeiwK4rGK/YA2lM120i7dbMLuRiih/8CLB0W8+o+8+W/ctjlo64OBx3szzMwLEsG1cd1vZ2l5ZXVtvbBR3Nza3tkt7e03dJwqhnUWi1i1AqpRcIl1w43AVqKQRoHAZjC8mfjNJ1Sax/LRjBL0I9qXPOSMGis93J50S2W34k5BFomXkzLkqHVLX51ezNIIpWGCat323MT4GVWGM4HjYifVmFA2pH1sWypphNrPppeOybFVeiSMlS1pyFT9PZHRSOtRFNjOiJqBnvcm4n9eOzXhlZ9xmaQGJZstClNBTEwmb5MeV8iMGFlCmeL2VsIGVFFmbDhFG4I3//IiaZxVvIuKd39erl7ncRTgEI7gFDy4hCrcQQ3qwCCEZ3iFN2fovDjvzsesdcnJZw7gD5zPH/yvjQE=</latexit>

En el gráfico vemos que F 0 = Q−1 F P y que F = QF 0 P −1 , pero también otras relaciones

que solo involucran un cambio de base. Por ejemplo, la matriz de f de BV → BW 0
es
Q−1 F (equivalente a P = 1).

En particular, si f es un endomorfismo
F
<latexit sha1_base64="huGjp/7X5D20y8rcIf/3porI4o0=">AAAB6HicbVBNS8NAEJ34WetX1aOXxSJ4KomIeiwK4rEF+wFtKJvtpF272YTdjVBCf4EXD4p49Sd589+4bXPQ1gcDj/dmmJkXJIJr47rfzsrq2vrGZmGruL2zu7dfOjhs6jhVDBssFrFqB1Sj4BIbhhuB7UQhjQKBrWB0O/VbT6g0j+WDGSfoR3QgecgZNVaq3/VKZbfizkCWiZeTMuSo9Upf3X7M0gilYYJq3fHcxPgZVYYzgZNiN9WYUDaiA+xYKmmE2s9mh07IqVX6JIyVLWnITP09kdFI63EU2M6ImqFe9Kbif14nNeG1n3GZpAYlmy8KU0FMTKZfkz5XyIwYW0KZ4vZWwoZUUWZsNkUbgrf48jJpnle8y4pXvyhXb/I4CnAMJ3AGHlxBFe6hBg1ggPAMr/DmPDovzrvzMW9dcfKZI/gD5/MHnGmM0A==</latexit>

BV =) BV
<latexit sha1_base64="vzgVx6qIB9ClJWJqlC3eK+b/5Qo=">AAACDnicbVDLSsNAFJ3UV62vqEs3g6XgQkoioi5L3bisYB/QhDCZTtqhM5MwMxFK6Be48VfcuFDErWt3/o2TNovaeuDC4Zx7ufeeMGFUacf5sUpr6xubW+Xtys7u3v6BfXjUUXEqMWnjmMWyFyJFGBWkralmpJdIgnjISDcc3+Z+95FIRWPxoCcJ8TkaChpRjLSRArvmcaRHGDHYDDrQO4ce5WYvUXDRCOyqU3dmgKvELUgVFGgF9rc3iHHKidCYIaX6rpNoP0NSU8zItOKliiQIj9GQ9A0ViBPlZ7N3prBmlAGMYmlKaDhTFycyxJWa8NB05jeqZS8X//P6qY5u/IyKJNVE4PmiKGVQxzDPBg6oJFiziSEIS2puhXiEJMLaJFgxIbjLL6+SzkXdvaq795fVRrOIowxOwCk4Ay64Bg1wB1qgDTB4Ai/gDbxbz9ar9WF9zltLVjFzDP7A+voFN4Ka9A==</latexit>

1
<latexit sha1_base64="Ef/WTq/Hki80Dwvuu3WDZmi2qN8=">AAAB7XicbVBNSwMxEJ34WetX1aOXYBG8WHZF1GPRi8cK9gPatWTTbBubTZYkK5Sl/8GLB0W8+n+8+W9M2z1o64OBx3szzMwLE8GN9bxvtLS8srq2Xtgobm5t7+yW9vYbRqWasjpVQulWSAwTXLK65VawVqIZiUPBmuHwZuI3n5g2XMl7O0pYEJO+5BGnxDqpUXvITv1xt1T2Kt4UeJH4OSlDjlq39NXpKZrGTFoqiDFt30tskBFtORVsXOykhiWEDkmftR2VJGYmyKbXjvGxU3o4UtqVtHiq/p7ISGzMKA5dZ0zswMx7E/E/r53a6CrIuExSyySdLYpSga3Ck9dxj2tGrRg5Qqjm7lZMB0QTal1ARReCP//yImmcVfyLin93Xq5e53EU4BCO4AR8uIQq3EIN6kDhEZ7hFd6QQi/oHX3MWpdQPnMAf4A+fwD+Go7A</latexit>

P 1
<latexit sha1_base64="Ef/WTq/Hki80Dwvuu3WDZmi2qN8=">AAAB7XicbVBNSwMxEJ34WetX1aOXYBG8WHZF1GPRi8cK9gPatWTTbBubTZYkK5Sl/8GLB0W8+n+8+W9M2z1o64OBx3szzMwLE8GN9bxvtLS8srq2Xtgobm5t7+yW9vYbRqWasjpVQulWSAwTXLK65VawVqIZiUPBmuHwZuI3n5g2XMl7O0pYEJO+5BGnxDqpUXvITv1xt1T2Kt4UeJH4OSlDjlq39NXpKZrGTFoqiDFt30tskBFtORVsXOykhiWEDkmftR2VJGYmyKbXjvGxU3o4UtqVtHiq/p7ISGzMKA5dZ0zswMx7E/E/r53a6CrIuExSyySdLYpSga3Ck9dxj2tGrRg5Qqjm7lZMB0QTal1ARReCP//yImmcVfyLin93Xq5e53EU4BCO4AR8uIQq3EIN6kDhEZ7hFd6QQi/oHX3MWpdQPnMAf4A+fwD+Go7A</latexit>

P P
<latexit sha1_base64="FLmIyDLkKBJGMSCZJa29LRHj2Qs=">AAAB6HicbVDLSgMxFL1TX7W+qi7dBIvgqsyIVJdFNy5bsA9oB8mkd9rYTGZIMkIZ+gVuXCji1k9y59+YtrPQ1gOBwznnkntPkAiujet+O4W19Y3NreJ2aWd3b/+gfHjU1nGqGLZYLGLVDahGwSW2DDcCu4lCGgUCO8H4duZ3nlBpHst7M0nQj+hQ8pAzaqzUbDyUK27VnYOsEi8nFchh81/9QczSCKVhgmrd89zE+BlVhjOB01I/1ZhQNqZD7FkqaYTaz+aLTsmZVQYkjJV90pC5+nsio5HWkyiwyYiakV72ZuJ/Xi814bWfcZmkBiVbfBSmgpiYzK4mA66QGTGxhDLF7a6EjaiizNhuSrYEb/nkVdK+qHq1qte8rNRv8jqKcAKncA4eXEEd7qABLWCA8Ayv8OY8Oi/Ou/OxiBacfOYY/sD5/AGrkYza</latexit>

<latexit sha1_base64="FLmIyDLkKBJGMSCZJa29LRHj2Qs=">AAAB6HicbVDLSgMxFL1TX7W+qi7dBIvgqsyIVJdFNy5bsA9oB8mkd9rYTGZIMkIZ+gVuXCji1k9y59+YtrPQ1gOBwznnkntPkAiujet+O4W19Y3NreJ2aWd3b/+gfHjU1nGqGLZYLGLVDahGwSW2DDcCu4lCGgUCO8H4duZ3nlBpHst7M0nQj+hQ8pAzaqzUbDyUK27VnYOsEi8nFchh81/9QczSCKVhgmrd89zE+BlVhjOB01I/1ZhQNqZD7FkqaYTaz+aLTsmZVQYkjJV90pC5+nsio5HWkyiwyYiakV72ZuJ/Xi814bWfcZmkBiVbfBSmgpiYzK4mA66QGTGxhDLF7a6EjaiizNhuSrYEb/nkVdK+qHq1qte8rNRv8jqKcAKncA4eXEEd7qABLWCA8Ayv8OY8Oi/Ou/OxiBacfOYY/sD5/AGrkYza</latexit>

BV0 =) 0
<latexit sha1_base64="qu17iWYEdZ13EXNGWuvCw0yjzcE=">AAACEHicbVBNS8NAEN3Ur1q/oh69LBapBymJiHos9eKxgq2FJoTNdtMu3d2E3Y1QQn+CF/+KFw+KePXozX/jps3Btj4YeLw3w8y8MGFUacf5sUorq2vrG+XNytb2zu6evX/QUXEqMWnjmMWyGyJFGBWkralmpJtIgnjIyEM4usn9h0ciFY3FvR4nxOdoIGhEMdJGCuyax5EeYsRgsxZ0oHcGPcrNYqLgnBPYVafuTAGXiVuQKijQCuxvrx/jlBOhMUNK9Vwn0X6GpKaYkUnFSxVJEB6hAekZKhAnys+mD03giVH6MIqlKaHhVP07kSGu1JiHpjM/Ui16ufif10t1dO1nVCSpJgLPFkUpgzqGeTqwTyXBmo0NQVhScyvEQyQR1ibDignBXXx5mXTO6+5l3b27qDaaRRxlcASOwSlwwRVogFvQAm2AwRN4AW/g3Xq2Xq0P63PWWrKKmUMwB+vrFwynm1Y=</latexit>

0
B V <latexit sha1_base64="FSCTg/lShY7H2wgjQESp4khA5mg=">AAAB6XicbVBNS8NAEJ34WetX1aOXxSJ6KomIeiwK4rGK/YA2lM120i7dbMLuRiih/8CLB0W8+o+8+W/ctjlo64OBx3szzMwLEsG1cd1vZ2l5ZXVtvbBR3Nza3tkt7e03dJwqhnUWi1i1AqpRcIl1w43AVqKQRoHAZjC8mfjNJ1Sax/LRjBL0I9qXPOSMGis93J50S2W34k5BFomXkzLkqHVLX51ezNIIpWGCat323MT4GVWGM4HjYifVmFA2pH1sWypphNrPppeOybFVeiSMlS1pyFT9PZHRSOtRFNjOiJqBnvcm4n9eOzXhlZ9xmaQGJZstClNBTEwmb5MeV8iMGFlCmeL2VsIGVFFmbDhFG4I3//IiaZxVvIuKd39erl7ncRTgEI7gFDy4hCrcQQ3qwCCEZ3iFN2fovDjvzsesdcnJZw7gD5zPH/yvjQE=</latexit>

F = P F 0 P −1 ↔ F 0 = P −1 F P.
Cuando dos matrices están relacionadas así se dice que son semejantes.

Nótese que en términos de la matriz de una aplicación lineal en dos bases dadas,
ran(f ) = r(F ). Como multiplicar por matrices cuadradas invertibles no cambia el rango,
éste no depende de las bases elegidas, La imagen de f equivale pues a resolver F X = Y
para los Y . Como Q−1 F P · P −1 X = Q−1 Y =⇒ F 0 X 0 = Y 0 , al cambiar de base cambian
las cooordenadas pero im f no cambia (no cambian los vectores), y lo mismo para el
núcleo: F X = 0 ↔ F 0 X 0 = 0:
dim(ker f ) = dim V − r(F ),
como ya sabíamos y da igual qué base usemos para calcularlos.

4 Formas lineales y multilineales

Dado un espacio vectorial V definido sobre K, las formas lineales en V son las apli-
caciones lineales ω ∈ L(V, K) ≡ V ∗ . A este conjunto V ∗ de formas lineales se le lama
espacio dual de V .

Ejemplo: en R2 , ω(x) = ax1 + bx2 con x = (x1 , x2 ) y a, b ∈ R.

Puesto que la suma y producto por escalares de una aplicación lineal es una aplicación
lineal, el conjunto L(V, W ) es un espacio vectorial. En particular, V ∗ es un espacio
vectorial.

55
4.1 Bases del espacio dual
Sea BV = {v1 , · · · , vn } una base de V . Definamos ahora una familia de formas lineales
sobre V , vi ∈ V ∗ con i = 1, · · · , n, de modo que vi (vj ) = δji para todo i, j = 1, · · · , n y
veamos que B ∗ = {v1 , · · · , vn } es una base de V ∗ :

Sea ω ∈ V ∗ . Para cualquier x = ni=1 xi vi P

∈ V tenemos ω(x) = ni=1 xi ω(vi ). Ahora,
P P
usando vi (x) = xi , podemos escribir ω(x) = ni=1 vi (x)ω(vi ) ≡ λi vi (x) con λi = ω(vi ).
Por tanto, los v i forman un sistema de generadores de V ∗ .

Si ni=1
Pnµi v =i 0 tenemos que i=1 µi v (x) = 0 para todo x ∈ V . Tomemos x = vj ,
P i
Pn i

entonces i=1 µi δj = µj = 0 para todo j, con lo que concluimos que los v son linealmente
i

independientes, y por tanto forman base.

Esto implica además que dim V = dim V ∗ .

Ejemplo: Sea B = {v1 , v2 , v3 } una base de V . Consideremos la forma lineal ω : V → R

que satisface ω(v1 − v2 ) = 5, ω(v2 − v3 ) = 3 y ω(v1 + v3 ) = 4. Veamos cuál es la ecuación
de ω en la base B:

ω(v1 ) − ω(v2 ) = 5 ω(v1 ) = 6

ω(v2 ) − ω(v3 ) = 3 → ω(v2 ) = 1 .
ω(v1 ) + ω(v3 ) = 4 ω(v3 ) = −2
 
x1
Llamando X = x2  a las coordenadas de x ∈ V en la base B, concluimos que

x3

ω(x) = 6x1 + x2 − 2x3 .

Esto se puede generalizar a espacios de aplicaciones lineales cualesquiera. El espacio

vectorial formado por el conjunto de todas las aplicaciones lineales {f ∈ L(V, W )} ≡
Hom(V, W ) tiene dimensión dimV · dimW . En el fondo corresponde (es isomorfo) al
espacio vectorial de las matrices n × m con dimV = n y dimW = m, que tiene dimensión
n · m.

4.2 Formas multilineales

Sea V espacio vectorial sobre K. Una forma r-lineal en V es una aplicación de r copias
de V en K:
ω : V × V × · · · × V → K,
tal que ∀ i = 1, · · · , r, la aplicación

ωi : V → K
x 7→ ωi (x) = ω(x1 , · · · , xi−1 , x, xi+1 , · · · , xr ),

56
es una forma lineal.

Ejemplo: ω : R3 × R3 → R dada por ω(x, y) = x1 y1 − x2 y2 + 2x3 y3 , con x = (x1 , x2 , x3 )

y y = (y1 , y2 , y3 ).

Diremos que una forma multlineal es alternada si ω(x1 , · · · , xr ) = 0 siempre que entre
los x1 , · · · , xr haya dos vectores iguales.

Ejemplo: ω : R2 × R2 → R dada por ω(x, y) = x1 y2 − x2 y1 , ya que ω(x, x) = 0.

Diremos que la forma multilineal ω es antisimétrica si

ω(x1 , · · · , xk , · · · , xj , · · · , xr ) = −ω(x1 , · · · , xj , · · · , xk , · · · , xr ) ∀ j, k = 1, · · · , r.

Proposición 1. Si K = R ó C, ω alternada ⇐⇒ ω antisimétrica.

Demostración:

⇒) Si ω es alternada

0 = ω(x1 , · · · , xk + xj , · · · , xk + xj , · · · , xr )
= ω(x1 , · · · , xk , · · · , xk , · · · , xr ) + ω(x1 , · · · , xj , · · · , xj , · · · , xr )
+ ω(x1 , · · · , xk , · · · , xj , · · · , xr ) + ω(x1 , · · · , xj , · · · , xk , · · · , xr )
= ω(x1 , · · · , xk , · · · , xj , · · · , xr ) + ω(x1 , · · · , xj , · · · , xk , · · · , xr ).

Si 0 ∈ R ó C,1 entonces tenemos que

ω(x1 , · · · , xk , · · · , xj , · · · , xr ) = −ω(x1 , · · · , xj , · · · , xk , · · · , xr ),

y esto ocurre ∀ j, k = 1, · · · , r, así que ω es antisimétrica.

⇐) Si ω es antisimétrica,

ω(x1 , · · · , x, · · · , x, · · · , xr ) = −ω(x1 , · · · , x, · · · , x, · · · , xr ),

lo que implica que

ω(x1 , · · · , x, · · · , x, · · · , xr ) = 0
si K = R ó C, y esto ocurre para cualesquiera dos posiciones que ocupe x.

Nótese que usando el lenguaje del grupo de permutaciones Sr , ω antisimétrica implica

que podemos escribir

ω(xα(1) , xα(2) , · · · , xα(r) ) = s(α)ω(x1 , · · · , xr ),

1
Puede haber cuerpos en los que si a es igual a su opuesto, a no tiene por qué ser el elemento neutro

57
  
1 2 ··· r
con s(α) la paridad de la permutación α = .
α(1)α(2)· · · α(r)

En ocasiones se reserva el nombre de r-forma lineal para las antisimétricas. Nótese

además que, en particular, una forma lineal alternada se anula si uno de los vectores
es combinación lineal de los demás. De especial interés para nosotros van a ser las que
r = n = dim V :

4.3 Formas n-lineales alternadas

Consideremos pues ω : V × V × · · · × V → K (con n copias de V ) con dimV = n y sea
BV = {vi } una base de V . Llamemos cji a las coordenadas del vector xj en la base BV
Entonces

n n n
!
X X X
ω(x1 , · · · , xn ) = ω c1i1 vi1 , c2i2 vi2 , · · · , cnin vin
i1 =1 i2 =1 in =1
n
XX n n
X
= ··· c1i1 c2i2 · · · cnin ω(vi1 , vi2 , · · · , vin ).
i1 =1 i2 =1 in =1

Teniendo en cuenta que solo contribuyen los términos en los que todos los vectores son
distintos entre sí, podemos escribir
X
ω(x1 , · · · , xn ) = c1α(1) c2α(2) · · · cnα(n) ω(vα(1) , vα(2) , · · · , vα(n) ),
α∈Sn

o lo que es lo mismo
" #
X
ω(x1 , · · · , xn ) = s(α)c1α(1) c2α(2) · · · cnα(n) ω(v1 , · · · , vn ).
α∈Sn

Es decir, ω queda completamente determinada dando el valor de ω(v1 , · · · , vn ) ∈ K

(un solo número). Como consecuencia concluimos que todas las formas n-lineales en V
(dim V = n) son proporcionales. Basta con dar ω(B), con B una base de V .

Ejemplo: Sea ω en R3 tal que ω(e1 , e2 , e3 ) = 1. Entonces

X
ω(x, y, z) = xα(1) yα2 zα(3) s(α)
α∈S3

= x1 y2 z3 + x2 y3 z1 + x3 y1 z2 − x2 y1 z3 − x3 y2 z1 − x1 y3 z2 .

Esto motiva la siguiente definición

58
4.4 Determinante
El determinante de n-vectores en Kn es la (única) forma n-lineal alternada tal que
det(e1 , e2 , · · · , en ) = 1.

Dada una base arbitraria {v1 , · · · , vn } diremos que esta base tiene orientación positiva
si det(v1 , v2 , · · · , vn ) > 0. La base canónica está orientada positivamente por definición.
Así, la interpretación geométrica del determinante es la del volumen orientado del par-
alelepípedo n-dimensional subtendido por los n vectores.

Por ejemplo, en dos dimensiones definimos la aplicación A(x, y) que asigna a los
vectores x, y el área orientada del paralelogramo subtendido por x e y. Dicha aplicación
cumple las propiedades
1) A(x, y) es lineal en x y en y.

2) A(x, x) = 0 para todo x.

3) A(e1 , e2 ) = 1.
Por la unicidad del determinante se concluye que entonces A(x, y) = det(x, y). Esto se
puede generalizar para n = 3: V = det(x, y, z), y para cualquier n.

4.5 Determinante de una matriz cuadrada

Sea A ∈ Kn×n . Definimos det A como el determinante obtenido considerando las columnas
de A como vectores de Kn :
A11 A12 · · · A1n
det A = det(A1 |A2 | · · · |An ) = ... .. . . .. = X s(α)A
. . . α(1)1 · · · Aα(n)n .
An1 An2 · · · Ann α∈Sn

A11 A12
Ejemplo: 2 × 2: = A11 A22 − A21 A12 .
A21 A22
Propiedades:
1) det A = det AT
Demostración: det AT = α∈Sn s(α)A1α(1) · · · Anα(n) . Ahora bien, s(αα ) = 1
−1
P
=⇒ s(α) = s(α−1 ) (el número de transposiciones que lleva α a la identidad también
lleva su inversa a la identidad), así que
X X
det AT = s(α−1 )Aα−1 (1)1 · · · Aα−1 (n)n s(β)Aβ(1)1 · · · Aβ(n)n = det A.
α∈Sn β∈Sn

2) Como consecuencia de la multilinealidad y antisimetría del det:

a) Un determinante con una fila (o columna) de ceros es cero.

59
 b) Un determinante con dos filas (o columnas) proporcionales (o iguales) es cero.
c) det(cA) = det(cA1 | · · · |cAn ) = cn det A y det(A1 | · · · |cAj | · · · |An ) = c det A
para todo c ∈ K.
d) det(A1 | · · · |Ai | · · · |An ) = det(A1 | · · · |Ai + cAj | · · · |An ) con j 6= i (y lo mismo
para las filas).
e) det(A1 | · · · |Ai | · · · |Aj | · · · |An ) = −det(A1 | · · · |Aj | · · · |Ai | · · · |An ).
f) det(A1 | · · · |Ai + Bi | · · · |An ) = det(A1 | · · · |Ai | · · · |An ) + det(A1 | · · · |Bi | · · · |An ).

3) det(AB) = det A · det B, y en particular, si A es invertible: det(A−1 ) = 1

det A
.

4) Desarrollando un determinante por filas o por columnas

det A = A1j ∆j1 + · · · + Anj ∆jn = Ai1 ∆1i + · · · + Ain ∆ni ,

donde j denota una columna cualquiera, i denota una fila cualquiera, y

∆ji ≡ (−1)i+j det(Mij )

se llama el cofactor de Aij , siendo Mij el menor asociado a Aij , que se obtiene de
tomar A y suprimir la fila i y la columna j.

5) A invertible ⇐⇒ det A 6= 0, y entonces (A−1 )ij = det(A)−1 ∆ij .

En efecto, Ai1 ∆1j + · · · + Ain ∆nj = det Aδij (ya que
Psi i 6= j tendríamos un determi-
nantePcon filas repetidas), así que δij = det(A)−1 nk=1 Aik ∆kj , pero por otra parte
δij = nk=1 Aik (A−1 )kj . Comparando deducimos (A−1 )kj = det(A)−1 ∆kj .

6) A1 , · · · , An linealmente independientes (r(A) = n) ⇐⇒ det A 6= 0.

7) Regla de Cramer: el sistema de ecuaciones lineales AX = B tiene solución única

⇐⇒ det A 6= 0, en cuyo caso

B1 A12 · · · A1n
1 .. .. . . .. ,
x1 = . . . .
detA
Bn An2 · · · Ann
..
.
A11 · · · A1n−1 B1
1 .. . . . .. .
xn = . . .. .
detA
Ann · · · Ann−1 Bn

8) El rango de una matriz cualquiera es el máximo de las dimensiones de sus menores

(cuadrados) no nulos.

60
4.6 Determinante de un operador lineal
Sea el endomorfismo f ∈ L(V ), F su matriz en una cierta base B, F 0 su matriz en otra
base B 0 y P la matriz de cambio de base de B a B 0 . Entonces

det F 0 = det(P −1 F P ) = det P −1 det F det P = det F,

es decir, el determinante de un operador lineal no depende de la base (la misma B −

F
→ B)
y lo denotaremos simplemente como det f .

Como no depende de la basem escojamos por ejemplo la canónica

det f = det[f (e1 )| · · · |f (en )].

Es decir, geométricamente se interpreta como el volumen orientado del paralelepípedo n-

dimensional en el que la aplicación f transforma el n-cubo unidad. Evidentemente, para
que ese volumen no sea nulo, los f (ei ) han de ser linealmente independientes, es decir f
debe ser biyectiva.

5 Proyectores
Sea V = V1 ⊕ V2 ⊕ · · · ⊕ Vp , tal que n1 + n2 + · · · + np = n, con ni = dim(Vi ) y n = dim(V ),
de forma que v = v1 + v2 + · · · + vp de forma única, con v ∈ V y vi ∈ Vi . Definimos el
proyector πi ∈ L(V ) sobre el espacio Vi (∀ i = 1, · · · , p) como

πi : V −→ Vi ⊂ V,
v 7−→ vi .

Los proyectores cumplen por tanto πi2 = πi . Además

ker πi = V1 ⊕ · · · ⊕ Vi−1 ⊕ Vi+1 ⊕ · · · ⊕ Vp ,

im πi = Vi .

En la base adaptada a la suma directa, B = B1 ∪ B2 ∪ · · · ∪ Bp , con Bi base de Vi , la

matriz que representa a πi es diagonal por bloques, con todos los bloques nulos, salvo el
bloque posicionado donde corresponda a la base Bi que es 1ni ×ni ≡ 1i :
 
0· · ·
Πi =  ... 1i ...  ,
 
··· 0

61
• Cambio de base

Consideremos el cambio de base desde la base adaptada a la suma directa B a la base

canónica Bc :

⇧i
<latexit sha1_base64="DwIRIoc+xF/htRteGxAYrQ8BTBE=">AAAB7HicbVBNS8NAEJ34WetX1aOXxSJ4KkkR9Vj04rGCaQttKJvtpF262YTdjVBCf4MXD4p49Qd589+4bXPQ1gcDj/dmmJkXpoJr47rfztr6xubWdmmnvLu3f3BYOTpu6SRTDH2WiER1QqpRcIm+4UZgJ1VI41BgOxzfzfz2EyrNE/loJikGMR1KHnFGjZX8XpP3eb9SdWvuHGSVeAWpQoFmv/LVGyQsi1EaJqjWXc9NTZBTZTgTOC33Mo0pZWM6xK6lksaog3x+7JScW2VAokTZkobM1d8TOY21nsSh7YypGellbyb+53UzE90EOZdpZlCyxaIoE8QkZPY5GXCFzIiJJZQpbm8lbEQVZcbmU7YheMsvr5JWveZd1eoPl9XGbRFHCU7hDC7Ag2towD00wQcGHJ7hFd4c6bw4787HonXNKWZO4A+czx+c8Y6Q</latexit>

B =) B
<latexit sha1_base64="ybR/wlxZG6fI1M8HxrTqtf4D44I=">AAACEnicbVDLSgMxFM3UV62vUZdugkVQKGWmiLosdePCRQX7gM5QMmlmGppJhiSjlKHf4MZfceNCEbeu3Pk3pg9QWw9cOJxzL/feEySMKu04X1ZuaXlldS2/XtjY3NresXf3mkqkEpMGFkzIdoAUYZSThqaakXYiCYoDRlrB4HLst+6IVFTwWz1MiB+jiNOQYqSN1LVPvBjpPkYM1rwS9K4FjySN+hpJKe6hV/qxu3bRKTsTwEXizkgRzFDv2p9eT+A0JlxjhpTquE6i/QxJTTEjo4KXKpIgPEAR6RjKUUyUn01eGsEjo/RgKKQpruFE/T2RoVipYRyYzvGFat4bi/95nVSHF35GeZJqwvF0UZgyqAUc5wN7VBKs2dAQhCU1t0LcRxJhbVIsmBDc+ZcXSbNSds/KlZvTYrU2iyMPDsAhOAYuOAdVcAXqoAEweABP4AW8Wo/Ws/VmvU9bc9ZsZh/8gfXxDer+nQE=</latexit>

⇧0i = P ⇧i P 1
<latexit sha1_base64="+uXa4YmyccCWd1d70QHy0eh+KL4=">AAACAHicbZDLSsNAFIYn9VbrLerChZvBIrqoJSmiboSiG5cR7AWaGCbTSTt0MgkzE6GEbHwVNy4UcetjuPNtnLZZaPWHgY//nMOZ8wcJo1JZ1pdRWlhcWl4pr1bW1jc2t8ztnbaMU4FJC8csFt0AScIoJy1FFSPdRBAUBYx0gtH1pN55IELSmN+pcUK8CA04DSlGSlu+uec69Minl45b0+RTt+bcZyd27ptVq25NBf+CXUAVFHJ889PtxziNCFeYISl7tpUoL0NCUcxIXnFTSRKER2hAeho5ioj0sukBOTzUTh+GsdCPKzh1f05kKJJyHAW6M0JqKOdrE/O/Wi9V4YWXUZ6kinA8WxSmDKoYTtKAfSoIVmysAWFB9V8hHiKBsNKZVXQI9vzJf6HdqNtn9cbtabV5VcRRBvvgABwDG5yDJrgBDmgBDHLwBF7Aq/FoPBtvxvustWQUM7vgl4yPb4yklRo=</latexit>

1 1
<latexit sha1_base64="7FObGhdYK1R7hE+zAsK7ICMoFS0=">AAAB7XicbVBNSwMxEJ2tX7V+VT16CRbBi2W3iHosevG4gv2Adi3ZNNvGZpMlyQpl6X/w4kERr/4fb/4b03YP2vpg4PHeDDPzwoQzbVz32ymsrK6tbxQ3S1vbO7t75f2DppapIrRBJJeqHWJNORO0YZjhtJ0oiuOQ01Y4upn6rSeqNJPi3owTGsR4IFjECDZWavoP2Zk36ZUrbtWdAS0TLycVyOH3yl/dviRpTIUhHGvd8dzEBBlWhhFOJ6VuqmmCyQgPaMdSgWOqg2x27QSdWKWPIqlsCYNm6u+JDMdaj+PQdsbYDPWiNxX/8zqpia6CjIkkNVSQ+aIo5chINH0d9ZmixPCxJZgoZm9FZIgVJsYGVLIheIsvL5NmrepdVGt355X6dR5HEY7gGE7Bg0uowy340AACj/AMr/DmSOfFeXc+5q0FJ585hD9wPn8A/myOwQ==</latexit> <latexit sha1_base64="7FObGhdYK1R7hE+zAsK7ICMoFS0=">AAAB7XicbVBNSwMxEJ2tX7V+VT16CRbBi2W3iHosevG4gv2Adi3ZNNvGZpMlyQpl6X/w4kERr/4fb/4b03YP2vpg4PHeDDPzwoQzbVz32ymsrK6tbxQ3S1vbO7t75f2DppapIrRBJJeqHWJNORO0YZjhtJ0oiuOQ01Y4upn6rSeqNJPi3owTGsR4IFjECDZWavoP2Zk36ZUrbtWdAS0TLycVyOH3yl/dviRpTIUhHGvd8dzEBBlWhhFOJ6VuqmmCyQgPaMdSgWOqg2x27QSdWKWPIqlsCYNm6u+JDMdaj+PQdsbYDPWiNxX/8zqpia6CjIkkNVSQ+aIo5chINH0d9ZmixPCxJZgoZm9FZIgVJsYGVLIheIsvL5NmrepdVGt355X6dR5HEY7gGE7Bg0uowy340AACj/AMr/DmSOfFeXc+5q0FJ585hD9wPn8A/myOwQ==</latexit>

P P

Bc =) Bc
<latexit sha1_base64="OnkMTSyOLIHZTL6Xq8LGhGRFNZM=">AAACFnicbVDLSgMxFM3UV62vUZdugkVwUctMEXVZ6saFiwr2AZ2hZNJMG5pJhiSjlKFf4cZfceNCEbfizr8x03ZRWw8EDuecS+49Qcyo0o7zY+VWVtfWN/Kbha3tnd09e/+gqUQiMWlgwYRsB0gRRjlpaKoZaceSoChgpBUMrzO/9UCkooLf61FM/Aj1OQ0pRtpIXfvMi5AeYMRgrYu9EvRuBe9L2h9oJKV4hF5pPtC1i07ZmQAuE3dGimCGetf+9noCJxHhGjOkVMd1Yu2nSGqKGRkXvESRGOEh6pOOoRxFRPnp5KwxPDFKD4ZCmsc1nKjzEymKlBpFgUlmO6pFLxP/8zqJDq/8lPI40YTj6UdhwqAWMOsI9qgkWLORIQhLanaFeIAkwto0WTAluIsnL5NmpexelCt358VqbVZHHhyBY3AKXHAJquAG1EEDYPAEXsAbeLeerVfrw/qcRnPWbOYQ/IH19QsK/J6t</latexit>

0
<latexit sha1_base64="YlpAwm+62Toudn3B2/WCRdfSZ9Y=">AAAB7XicbVBNSwMxEJ3Ur1q/qh69BIvoqeyKqMeiF48V7Ae0S8mm2TY2myxJVihL/4MXD4p49f9489+YtnvQ1gcDj/dmmJkXJoIb63nfqLCyura+UdwsbW3v7O6V9w+aRqWasgZVQul2SAwTXLKG5VawdqIZiUPBWuHoduq3npg2XMkHO05YEJOB5BGnxDqp2a3z0x7vlSte1ZsBLxM/JxXIUe+Vv7p9RdOYSUsFMabje4kNMqItp4JNSt3UsITQERmwjqOSxMwE2ezaCT5xSh9HSruSFs/U3xMZiY0Zx6HrjIkdmkVvKv7ndVIbXQcZl0lqmaTzRVEqsFV4+jruc82oFWNHCNXc3YrpkGhCrQuo5ELwF19eJs3zqn9ZPb+/qNRu8jiKcATHcAY+XEEN7qAODaDwCM/wCm9IoRf0jj7mrQWUzxzCH6DPH/5cjsE=</latexit>

⇧i

Ejemplos:

• R2 = V1 ⊕ V2 , con V1 = lin{e1 } y V2 = lin{e2 }.

La base canónica ya está adaptada a la suma directa. En la base canónica, los
proyectores sobre V1 y V2 , están representados por las matrices
   
10 00
Π1 = , Π2 = .
00 01

Proyectan sobre los ejes coordenados x e y respectivamente.

• R2 = V1 ⊕ V2 , con V1 = lin{e1 + e2 } y V2 = lin{e1 + 2e2 }

Ahora la matriz de cambio
  de base desde la base canónica
 ala base adaptada a la
11 2 −1
suma directa es P = , cuya inversa es P −1 = . Las matrices de los
12 −1 1
proyectores π1 y π2 en la base canónica por tanto son
     
0 11 10 2 −1 2 −1
Π1 = = .
12 00 −1 1 2 −1
     
0 11 00 2 −1 −1 1
Π2 = = .
12 01 −1 1 −2 2

Se comprueba que Π01 2 = Π1 y Π02 2 = Π2 , como debe ser. Además, dado  un vector
x1
arbitrario x = (x1 , x2 ), con coordenadas en la base canónica X = , se tiene
x2
       
0 2x1 − x2 a 0 −x1 + x2 b
Π1 X = ≡ , Π2 X = ≡
2x1 − x2 a −2x1 + 2x2 2b

es decir π1 (x) = (a, a) ∈ V1 , y π2 (x) = (b, 2b) ∈ V2 .

62